توسعه یک مدل پیش بینی مبتنی بر هوش مصنوعی برای ارزیابی آسیب پذیری ژنتیکی به سموم دریایی در دریانوردان و غواصان

زمینه و هدف: سموم دریایی در مناطق ای مانند خلیج فارس و دریای عمان خطری جدی برای دریانوردان و غواصان هستند. حساسیت افراد به این سموم اغلب با تفاوت های ژنتیکی (SNPها) در ژن های متابولیزه کننده سم مرتبط است. این مقاله یک چارچوب مفهومی مبتنی بر هوش مصنوعی را برای پیش بینی این آسیب پذیری ارائه می دهد. نوآوری اصلی در ادغام داده های ژنتیکی، داده های زیست محیطی (از حسگرها و ماهواره) و پایگاه های دانش سموم (مانندToxCast) و قابلیت اتصال به سامانه های هشدار و تله مدیسین است. روش ها: چارچوب پیشنهادی بر سه پایه اصلی استوار است: ۱) داده های ژنتیکی افراد (پروفایل های SNP در ژن های مرتبط با متابولیسم سموم)، ۲) داده های زیست محیطی گردآوری شده از حسگرهای دریایی و تصاویر ماهواره ای (شامل غلظت سموم جلبکی مانند سیگواتوکسین، ساکسی توکسین و دوموئیک اسید، کیفیت آب و دما)، و ۳) پایگاه های دانش سموم نظیر  ToxCastو T۳DB. برای مدل سازی خطر، سه دسته الگوریتم شامل شبکه های عصبی عمیق، جنگل های تصادفی و ماشین بردار پشتیبان (SVM) در نظر گرفته شده اند. پروتکل ارزیابی مدل ها مبتنی بر تقسیم بندی داده ها به مجموعه های آموزش، اعتبارسنجی و آزمون، همراه با اعتبارسنجی متقاطع است و معیارهای عملکردی شامل دقت، صحت، حساسیت و امتیاز F۱ (و در صورت لزوم سطح زیر منحنی ویژگی های عملیاتی) تعریف می شوند. انتخاب نهایی مدل بر اساس مقایسه این معیارها انجام خواهد گرفت. دامنه جغرافیایی جمع آوری داده های میدانی، مسیرهای کشتیرانی و مناطق غواصی در خلیج فارس و دریای عمان است. یافته ها: با توجه به ماهیت مفهومی و چارچوب محور این مطالعه، در این مرحله نتیجه عددی یا آزمایشی گزارش نمی شود. خروجی های اصلی عبارتند از: الف) طراحی معماری مدل و فلوچارت پردازش داده،(ب) مشخصات منابع داده و روش های گردآوری آن (شامل حسگرهای دریایی، تصاویر ماهواره ای، پایگاه های سم شناسی و نمونه های ژنتیکی)، ج) پروتکل ارزیابی کمی با شاخص های مشخص، و د) تبیین روشن نوآوری تحقیق (ادغام ژنتیک، داده های محیطی و هوش مصنوعی) و کاربردهای آن (در پزشکی غواصی و طب کار، امداد دریایی با کمک تله مدیسین، پایش شکوفه های مضر جلبکی و سیستم های هشدار زودهنگام). همچنین چالش های کلیدی پیاده سازی (از جمله زیرساخت های محاسباتی در محیط دریایی، کیفیت و کامل بودن داده ها و ملاحظات اخلاقی مرتبط با داده های ژنتیکی) و تاثیر آن ها بر طراحی سامانه مورد بحث قرار گرفته اند. نتیجه گیری: این چارچوب مسیری برای پیاده سازی یک سامانه پیش بینی شخصی سازی شده فراهم می کند که می تواند به بهبود سلامت شغلی و تصمیم گیری بالینی از راه دور کمک کند. گام بعدی پژوهش، اعتبارسنجی تجربی با داده های واقعی است.

کلیدواژه ها:

Genetic predisposition to disease ، Marine toxins ، Artificial intelligence ، Seafarers ، Health prediction ، استعداد ژنتیکی ، سموم دریایی ، هوش مصنوعی ، دریانوردان ، پیش بینی سلامت.