چگونه یادگیری ماشینی می‌تواند به تولید واکسن‌های سرطان شخصی‌سازی‌شده کمک کند؟

الکساندر گینتسبورگ، مدیر مرکز تحقیقات ملی اپیدمیولوژی و میکروبیولوژی گامالیا (روسیه)، به خبرگزاری تاس گفت: استفاده از شبکه‌های عصبی مصنوعی می‌تواند زمان محاسبات مورد نیاز برای ایجاد واکسن سرطان شخصی‌سازی‌شده را که در حال حاضر یک فرآیند طولانی است، به کمتر از یک ساعت کاهش دهد.

«در حال حاضر، طراحی واکسن زمان زیادی می‌برد، زیرا شما باید با استفاده از روش ماتریسی، به صورت ریاضی، محاسبه کنید که یک واکسن mRNA چگونه به نظر می‌رسد. ما با موسسه ایوانیکوف تماس گرفته‌ایم که برای انجام این محاسبات به هوش مصنوعی متکی خواهد بود، که در آن این فرآیندها حدود نیم ساعت تا یک ساعت طول خواهد کشید.»

این محقق پیش از این به TASS توضیح داده بود که برای آموزش هوش مصنوعی به یک پایگاه داده آزمایشی شامل ۴۰ تا ۵۰ هزار توالی تومور، با قابلیت تشخیص آنتی‌ژن سازگار، که در بیماران به پروتئین یا RNA ترجمه شده باشد، نیاز است. وی گفت این امر به تعیین اینکه آیا واکسن می‌تواند به صورت فردی استفاده شود یا خیر، کمک می‌کند.

این واکسن با همکاری چندین مرکز تحقیقاتی ساخته شده است. آندری کاپرین، مدیر کل مرکز تحقیقات رادیولوژی پزشکی وزارت بهداشت روسیه، گفت که آزمایش‌های پیش‌بالینی آن تکمیل شده است.

چگونه یادگیری ماشین می‌تواند در تولید واکسن سرطان کمک کند؟

استفاده از هوش مصنوعی در توسعه واکسن سرطان، درمان شخصی‌سازی‌شده را امکان‌پذیر می‌کند، اما چالش‌های جدیدی را نیز برای توسعه‌دهندگان دارو و تنظیم‌کنندگان مقررات ایجاد می‌کند.

در ایمونوتراپی، پیشرفت‌ها در هوش مصنوعی و یادگیری ماشینی می‌تواند به پردازش داده‌های حاصل از بیوپسی‌های سرطان برای طراحی واکسن‌هایی که جهش‌های خاص بیمار را هدف قرار می‌دهند، کمک کند. توانایی هدف قرار دادن جهش‌های خاص بیمار چیز جدیدی نیست و داروهای هدفمند سرطان، مانند درمان‌های ضد HER2 و مهارکننده‌های CDK4/6، در این صنعت به فروش بالایی رسیده‌اند. با این حال، پتانسیل هوش مصنوعی برای شناسایی نئوآنتی‌ژن‌ها از بیوپسی‌های بیمار، به کارایی این فرآیند افزوده است.

استفاده از هوش مصنوعی به موضوع اصلی بحث در بسیاری از صنایع تبدیل شده است و داروسازی نیز از این قاعده مستثنی نیست.

اسکات ابینگهاوس، معاون رئیس تحقیقات بالینی در مرک، گفت: «جهش‌های شناسایی‌شده در بیوپسی‌های بیمار را می‌توان به یک الگوریتم وارد کرد تا پیش‌بینی شود کدام جهش‌ها بیشترین ایمنی‌زایی را دارند. از آنجا، می‌توانیم RNA کدکننده هر ژن سرطانی جهش‌یافته را متناسب با سیستم ایمنی سنتز کنیم. هر واکسن برای هر فرد بسیار منحصر به فرد خواهد بود.»

برخلاف درمان‌هایی که علیه یک آنتی‌ژن ثابت توسعه یافته‌اند، سیستم هوش مصنوعی به دنبال بهبود توانایی خود در انتخاب نئوآنتی‌ژن‌ها خواهد بود. این الگوریتم جهش‌های ژنتیکی موجود در تومور بیمار را بررسی می‌کند و نئوآنتی‌ژن‌هایی را که به احتمال زیاد باعث ایجاد پاسخ ایمنی می‌شوند، پیش‌بینی می‌کند. کایل هولن، مدیر توسعه درمانی و انکولوژی در مدرنا، گفت: «این الگوریتم توانایی یادگیری در طول زمان را از طریق جفت کردن داده‌های بالینی و ایمنی‌زایی دارد و امیدواریم در انتخاب نئوآنتی‌ژن‌هایی که احتمالاً از نظر بالینی فعال هستند، بهتر شود.»

شرکت دیگری که از هوش مصنوعی استفاده می‌کند، Transgene است که با شرکت NEC برای طراحی واکسن‌های شخصی‌سازی‌شده سرطان همکاری می‌کند. Transgene به جای واکسن‌های mRNA، با ناقل‌های ویروسی کار می‌کند تا سیستم ایمنی بیمار را برای مبارزه با اهداف خاص سرطان آموزش دهد.

با ورود واکسن‌های سرطان به مراحل بعدی آزمایش‌ها، یکی از چالش‌ها، تنظیم مقررات برای محصولات بالقوه خواهد بود. سازمان غذا و داروی ایالات متحده (FDA) یک سند راهنما در مورد واکسن‌های چند آنتی‌ژنی منتشر کرده است. این سازمان اظهار می‌کند که ممکن است نیازی به ارزیابی جداگانه هر جزء از این واکسن‌ها از نظر ایمنی و فعالیت نباشد. با این حال، در این سند آمده است که این موضوع «به صورت موردی بررسی خواهد شد».

سخنگوی FDA گفت: «FDA پتانسیل هوش مصنوعی/یادگیری ماشین (AI/ML) را برای تسریع توسعه درمان‌های شخصی‌سازی‌شده تشخیص می‌دهد.»

Phuong Anh (منبع: BioSpace، Tass)

منبع