پیش بینی پاسخ به درمان های ایمونوتراپی در بیماران مبتلا به سرطان های بدخیم با استفاده از تحلیل داده های چندگانه (Multi-omics) و یادگیری ماشین

ایمونوتراپی به عنوان یکی از مهم ترین رویکردهای نوین درمان سرطان، در سال های اخیر موجب بهبود بقای برخی بیماران مبتلا به سرطان های بدخیم شده است؛ بااین حال، پاسخ بیماران به این درمان ها ناهمگون بوده و گروه قابل توجهی از بیماران یا پاسخ درمانی محدودی نشان می دهند یا پس از یک دوره پاسخ اولیه، دچار مقاومت اکتسابی می شوند. این ناهمگونی، ضرورت شناسایی نشانگرهای پیش بینی کننده دقیق و قابل اعتماد را پیش از آغاز درمان آشکار می سازد. هدف پژوهش حاضر، طراحی یک چارچوب هوشمند برای پیش بینی پاسخ به درمان های ایمونوتراپی با استفاده از ادغام داده های چندگانه و الگوریتم های یادگیری ماشین است. در این چارچوب، داده های ژنومیک، پروتئومیک، بالینی و در صورت دسترسی، اطلاعات مربوط به ریزمحیط تومور و وضعیت ایمنی بیماران گردآوری و پس از کنترل کیفیت، استانداردسازی، کاهش ابعاد و اصلاح اثر دسته ای، در یک ساختار تحلیلی یکپارچه ترکیب می شوند. برای انتخاب ویژگی های اثرگذار از روش های آماری و محاسباتی استفاده شده و عملکرد الگوریتم هایی مانند جنگل تصادفی، ماشین بردار پشتیبان، گرادیان تقویتی و شبکه عصبی ارزیابی می شود. خروجی اصلی مدل، احتمال پاسخ بیمار به ایمونوتراپی، احتمال عدم پاسخ و برآورد خطر مقاومت درمانی است. انتظار می رود مدل چندامیک در مقایسه با مدل های مبتنی بر یک لایه داده، توانایی بیشتری در شناسایی روابط غیرخطی و تعاملات پیچیده میان تغییرات ژنتیکی، بیان پروتئین ها و وضعیت ایمنی تومور داشته باشد. همچنین، به کارگیری روش های تفسیرپذیری مدل می تواند مشخص کند کدام ویژگی های مولکولی و بالینی بیشترین نقش را در پیش بینی پاسخ دارند. اهمیت کاربردی این پژوهش در آن است که می تواند از تجویز درمان های پرهزینه و کم اثر جلوگیری کرده، انتخاب بیماران مناسب برای ایمونوتراپی را بهبود بخشد و زمینه تصمیم گیری شخصی سازی شده در انکولوژی دقیق را فراهم کند. با وجود این، محدودیت هایی مانند حجم نمونه ناکافی، ناهمگونی داده ها، تفاوت فناوری های آزمایشگاهی، نبود داده های طولی و ضرورت اعتبارسنجی خارجی باید در تفسیر نتایج مورد توجه قرار گیرد. در مجموع، ادغام چندامیک با یادگیری ماشین، مسیری امیدبخش برای ارتقای پیش بینی پاسخ به ایمونوتراپی و حرکت از درمان مبتنی بر میانگین جمعیتی به سمت درمان فردمحور محسوب می شود.

کلیدواژه ها:

پیش بینی پاسخ ، ایمونوتراپی ، داده های چندگانه ، یادگیری ماشین ، انکولوژی دقیق ، سرطان های بدخیم