الگوریتم ها به تشخیص بیماری ها در سطح مولکولی کمک می کنند — ScienceDaily


در پزشکی امروزی، پزشکان اکثر بیماری ها را بر اساس علائم تعریف و تشخیص می دهند. با این حال، این لزوماً به این معنا نیست که بیماری های بیماران با علائم مشابه دلایل یکسانی داشته باشند یا تغییرات مولکولی یکسانی را نشان دهند. در زیست پزشکی، اغلب از مکانیسم های مولکولی یک بیماری صحبت می شود. این به تغییرات در تنظیم ژن ها، پروتئین ها یا مسیرهای متابولیک در شروع بیماری اشاره دارد. هدف پزشکی طبقه بندی شده طبقه بندی بیماران به زیرگروه های مختلف در سطح مولکولی به منظور ارائه درمان های هدفمندتر است.

الگوریتم‌های یادگیری ماشینی جدید می‌توانند به استخراج زیرگروه‌های بیماری از مجموعه‌های بزرگ داده‌های بیمار کمک کنند. آنها برای تشخیص مستقل الگوها و همبستگی ها در اندازه گیری های بالینی گسترده طراحی شده اند. گروه تحقیقاتی جوان LipiTUM به سرپرستی دکتر جوش کنستانتین پاولینگ از کرسی بیوانفورماتیک تجربی الگوریتمی را برای این منظور توسعه داده است.

تجزیه و تحلیل پیچیده از طریق ابزار وب خودکار

روش آنها نتایج الگوریتم های موجود را برای به دست آوردن پیش بینی های دقیق تر و قوی تر از زیرگروه های بالینی ترکیب می کند. این ویژگی ها و مزایای هر الگوریتم را یکسان می کند و تنظیم زمان بر آنها را حذف می کند. دکتر پاولینگ گزارش می دهد: «این کار استفاده از تجزیه و تحلیل در تحقیقات بالینی را بسیار آسان تر می کند. به همین دلیل، ما ابزاری مبتنی بر وب ایجاد کرده‌ایم که امکان تجزیه و تحلیل آنلاین داده‌های بالینی مولکولی را توسط پزشکان بدون دانش قبلی از بیوانفورماتیک فراهم می‌کند.

در وب سایت ( محققان می توانند داده های خود را برای تجزیه و تحلیل خودکار ارسال کنند و از نتایج برای تفسیر مطالعات خود استفاده کنند. “یک جنبه مهم دیگر برای ما تجسم نتایج بود. رویکردهای قبلی قادر به ایجاد تجسم شهودی از روابط بین گروه های بیمار، بالینی نبودند. تیم رز، دانشمند دانشکده علوم زیستی TUM، می گوید: عوامل و امضاهای مولکولی. این با تجسم مبتنی بر وب تولید شده توسط ابزار MoSBi ما تغییر خواهد کرد. نام فناوری مورد استفاده الگوریتم

درخواست برای سوالات مرتبط بالینی

با استفاده از این ابزار، اکنون محققان می توانند، برای مثال، داده های حاصل از مطالعات سرطان و شبیه سازی ها را برای سناریوهای مختلف نمایش دهند. آنها قبلاً پتانسیل روش خود را در یک مطالعه بالینی در مقیاس بزرگ نشان داده اند. در یک مطالعه مشارکتی که با محققان موسسه ماکس پلانک در درسدن، دانشگاه فنی درسدن و کلینیک دانشگاه کیل انجام شد، آنها تغییر در متابولیسم لیپید در کبد بیماران مبتلا به بیماری کبد چرب غیر الکلی (NAFLD) را مورد مطالعه قرار دادند.

این بیماری گسترده با چاقی و دیابت مرتبط است. این بیماری از کبد چرب غیر الکلی (NAFL) که در آن لیپیدها در سلول‌های کبد رسوب می‌کنند، تا استئاتوهپاتیت غیرالکلی (NASH) که در آن کبد بیشتر ملتهب می‌شود، تا سیروز کبدی و تشکیل تومورها ایجاد می‌شود. به غیر از تنظیم رژیم غذایی، هیچ درمانی تا به امروز پیدا نشده است. از آنجایی که این بیماری با تجمع لیپیدهای مختلف در کبد مشخص و تشخیص داده می شود، درک ترکیب مولکولی آنها مهم است.

نشانگرهای زیستی برای بیماری کبد

با استفاده از روش‌های MoSBi، محققان توانستند ناهمگونی کبد بیماران در مرحله NAFL را در سطح مولکولی نشان دهند. دکتر پاولینگ می‌گوید: «از دیدگاه مولکولی، سلول‌های کبدی بسیاری از بیماران NAFL تقریباً مشابه سلول‌های بیماران NASH بودند، در حالی که بقیه هنوز تا حد زیادی شبیه به بیماران سالم بودند. ما همچنین می‌توانیم پیش‌بینی‌های خود را با استفاده از داده‌های بالینی تأیید کنیم.» سپس ما توانستیم دو نشانگر زیستی لیپیدی بالقوه را برای پیشرفت بیماری شناسایی کنیم. این برای تشخیص زودهنگام بیماری و پیشرفت آن و توسعه درمان های هدفمند مهم است.

این گروه تحقیقاتی در حال حاضر در حال کار بر روی کاربردهای بیشتر روش خود برای به دست آوردن درک بهتر از سایر بیماری ها هستند. دکتر پاولینگ می‌گوید: «در آینده الگوریتم‌ها حتی نقش بیشتری در تحقیقات زیست‌پزشکی نسبت به امروز خواهند داشت. آنها می‌توانند تشخیص مکانیسم‌های پیچیده و یافتن رویکردهای درمانی هدفمندتری را به‌طور قابل توجهی آسان‌تر کنند».

منبع داستان:

مواد تهیه شده توسط دانشگاه فنی مونیخ (TUM). توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]