محقق ویتنامی از هوش مصنوعی برای رمزگشایی باکتری‌های روده استفاده می‌کند

کار محقق دانگ تان تونگ (دانشگاه توکیو) به رمزگشایی نحوه ارتباط باکتری‌های روده کمک می‌کند و مسیر جدیدی را برای پزشکی شخصی‌سازی‌شده می‌گشاید.

تصویرسازی: ساینس دیلی

طبق گزارش ScienceDaily ، دانشمندان دانشگاه توکیو، ژاپن، در یک مطالعه پیشگامانه، هوش مصنوعی پیشرفته (AI) را برای رمزگشایی اکوسیستم پیچیده باکتری‌های روده و سیگنال‌های شیمیایی بین آنها به کار گرفته‌اند.

این تیم یک شبکه عصبی بیزی جدید به نام VBayesMM توسعه داد که به جای همبستگی‌های تصادفی، روابط بیولوژیکی واقعی را تشخیص می‌دهد. این سیستم در مطالعات چاقی، اختلالات خواب و سرطان از مدل‌های سنتی بهتر عمل کرد.

باکتری‌های روده نقش حیاتی در سلامت انسان دارند و بر هضم، ایمنی و حتی خلق و خو تأثیر می‌گذارند. بدن انسان حدود 30 تا 40 تریلیون سلول انسانی دارد، در حالی که روده به تنهایی تا 100 تریلیون سلول باکتریایی دارد - به این معنی که ما سلول‌های باکتریایی بیشتری نسبت به سلول‌های خود داریم.

این میکروارگانیسم‌ها نه تنها در هضم غذا شرکت می‌کنند، بلکه هزاران ترکیب کوچک به نام متابولیت‌ها را نیز تولید و تبدیل می‌کنند - "پیام‌رسان‌های شیمیایی" که بر متابولیسم، سیستم ایمنی و عملکرد مغز تأثیر می‌گذارند.

محقق تونگ دانگ (دانگ تان تونگ) از آزمایشگاه تسونودا، گروه علوم زیستی، دانشگاه توکیو، گفت: «ما تازه شروع به درک این موضوع کرده‌ایم که کدام باکتری‌ها کدام متابولیت‌ها را تولید می‌کنند و چگونه این روابط در بیماری‌های مختلف تغییر می‌کنند.»

اگر بتوانیم تعاملات بین باکتری‌ها و مواد شیمیایی را به طور دقیق ترسیم کنیم، می‌توانیم درمان‌های شخصی‌سازی‌شده‌ای را توسعه دهیم - برای مثال، کشت نوع خاصی از باکتری برای تولید ماده‌ای که برای سلامتی مفید است، یا طراحی درمان‌هایی که آن مواد را برای درمان بیماری دستکاری می‌کنند.

مشکل در مقیاس عظیم داده‌ها نهفته است: هزاران گونه و ترکیب باکتریایی که با هم در تعامل هستند، یافتن الگوهای معنادار را بسیار دشوار می‌کنند.

برای حل این مشکل، تیم از هوش مصنوعی با رویکرد بیزی برای شناسایی گروه‌های باکتریایی که در واقع بر هر متابولیت تأثیر می‌گذارند، استفاده کرد و همچنین سطح اطمینان پیش‌بینی‌ها را محاسبه کرد - که به جلوگیری از نتیجه‌گیری‌های گمراه‌کننده کمک می‌کند.

تونگ افزود: «هنگامی که مدل ما روی داده‌های دنیای واقعی در مورد اختلالات خواب، چاقی و سرطان آزمایش شد، به طور مداوم از روش‌های موجود بهتر عمل کرد و خانواده‌های باکتریایی را شناسایی کرد که با فرآیندهای بیولوژیکی شناخته شده مطابقت داشتند. این به ما اطمینان می‌دهد که سیستم در حال تشخیص روابط بیولوژیکی واقعی است و نه الگوهای آماری تصادفی.»

توانایی تعیین کمیت عدم قطعیت به VBayesMM کمک می‌کند تا اطلاعات قابل اعتمادتری را در اختیار دانشمندان قرار دهد. با این حال، تجزیه و تحلیل مجموعه داده‌های میکروبی بزرگ هنوز از نظر محاسباتی فشرده است، اگرچه این هزینه با بهبود فناوری پردازش کاهش خواهد یافت. این سیستم زمانی بهترین عملکرد را دارد که مقدار داده‌های میکروبی بیشتر از مقدار داده‌های متابولیت باشد. اگر تعداد داده‌های میکروبی بیشتر باشد، دقت کاهش می‌یابد.

علاوه بر این، VBayesMM هنوز هر گونه باکتریایی را به عنوان یک موجودیت مستقل در نظر می‌گیرد، در حالی که در واقعیت آنها به صورت پیچیده‌ای با یکدیگر تعامل دارند.

این تیم اکنون به دنبال گسترش مدل برای مدیریت مجموعه داده‌های شیمیایی جامع‌تر، از جمله ترکیبات باکتری‌ها، بدن انسان و رژیم غذایی است. آنها همچنین می‌خواهند «درخت‌های خانوادگی» گونه‌های باکتریایی را برای بهبود پیش‌بینی‌ها و کاهش زمان محاسبات در نظر بگیرند.

تونگ می‌گوید: «هدف نهایی شناسایی باکتری‌های خاصی است که می‌توانند اهدافی برای درمان یا مداخله تغذیه‌ای باشند، و از این طریق از تحقیقات پایه به کاربردهای بالینی برسیم.»

با این ابزار جدید هوش مصنوعی، دانشمندان به بهره‌برداری از پتانسیل میکروبیوم روده برای توسعه پزشکی شخصی‌سازی‌شده نزدیک‌تر می‌شوند و راه را برای مراقبت‌های بهداشتی دقیق‌تر و مؤثرتر در آینده هموار می‌کنند.

بازگشت به موضوع

وی ان ای

منبع: https://tuoitre.vn/nha-nghien-cuu-viet-dung-ai-giai-ma-vi-khuyen-duong-ruot-20251111125341462.htm