მიჩიგანის უნივერსიტეტის მეცნიერებმა შეიმუშავეს მანქანური სწავლების ინოვაციური მოდელი, რომელიც ექიმებს გლიომით დაავადებული პაციენტებისთვის ყველაზე ეფექტური მკურნალობის შერჩევაში დაეხმარება.
გლიომა თავის ტვინის სიმსივნის ყველაზე გავრცელებული ტიპია, რომელიც აღმოცენდება გლიური უჯრედებიდან – ისინი ნერვული სისტემის დამხმარე სტრუქტურებს წარმოადგენენ და ნეირონების ფუნქციონირებას უზრუნველყოფენ. ეს სიმსივნე გამოირჩევა აგრესიულობითა და მეტაბოლური მრავალფეროვნებით, რაც მის მკურნალობას განსაკუთრებულად ართულებს.
ჟურნალ Cell Metabolism-ში გამოქვეყნებული კვლევის მიხედვით, მეცნიერებმა შექმნეს ე.წ. „ციფრული ტყუპი“ ანუ კომპიუტერული მოდელი, რომელიც რეალურ დროში ასახავს სიმსივნის მეტაბოლიზმს. ეს ტექნოლოგია საშუალებას იძლევა წინასწარ განისაზღვროს, თუ როგორ რეაგირებს კონკრეტული პაციენტის სიმსივნე სხვადასხვა ტიპის დიეტასა თუ მედიკამენტზე.
აქამდე მეცნიერთათვის ცნობილი იყო, რომ გარკვეული დიეტა (მაგალითად, კონკრეტული ამინომჟავების შეზღუდვა) ანელებს გლიომის ზრდას. თუმცა, მნიშვნელოვან პრობლემას წარმოადგენდა ის, რომ ზოგიერთ სიმსივნურ სუბიექტს თავად შეუძლია ამ ნივთიერებების გამომუშავება, რაც დიეტას არაეფექტურს ხდის.
ახალი ტექნოლოგია სწორედ იმის დადგენაში დაეხმარება მედიკოსებს, თუ რომელი პაციენტისთვის იქნება დიეტური შეზღუდვა შედეგიანი და რომელი სიმსივნე აღმოჩნდება მის მიმართ რეზისტენტული.
მოდელი ეფუძნება ღრმა სწავლებას (Deep Learning) კერძოდ, კონვოლუციურ ნეირონულ ქსელებს. ის აანალიზებს სამ ძირითად კომპონენტს:
- პაციენტის სისხლის ანალიზს;
- სიმსივნური ქსოვილის მეტაბოლურ მაჩვენებლებს;
- სიმსივნის გენეტიკურ პროფილს.
ამ მონაცემების ინტეგრირებით, ხელოვნური ინტელექტი განსაზღვრავს „მეტაბოლურ ნაკადს“ ანუ იმ სიჩქარეს, რომლითაც კიბოს უჯრედები მოიხმარენ და ამუშავებენ საკვებ ნივთიერებებს.
მკვლევრებმა მოდელის სიზუსტე ჯერ ადამიანების მონაცემებზე, შემდეგ კი თაგვებზე ჩატარებული ექსპერიმენტებით დაადასტურეს. AI-მ ზუსტად იწინასწარმეტყველა არა მხოლოდ დიეტის ეფექტურობა, არამედ კონკრეტული მედიკამენტების მოქმედებაც.
მეცნიერები იმედოვნებენ, რომ მომავალში ეს მეთოდი არა მხოლოდ ტვინის კიბოს, არამედ სხვადასხვა სახის სიმსივნეების მკურნალობისთვისაც იქნება გამოსადეგი, რაც კიდევ უფრო შეუწყობს ხელი პერსონალიზებული მედიცინის განვითარებას.
წყარო: Cell
