محققان موسسه گاروان از هوش مصنوعی برای شناسایی عناصر بالقوه سرطان زا در مناطق ” بی‌فایده ” DNA استفاده کرده اند و راه را برای روش های نوآورانه در تشخیص و درمان هموار کرده اند.

بر اساس یک مطالعه جدید از موسسه تحقیقات پزشکی گاروان، DNA غیر کد کننده – که 98 درصد از ژنوم ما را تشکیل می دهد و حاوی دستورالعمل هایی برای ساخت پروتئین نیست – ممکن است کلید تشخیص و درمان جدید سرطان باشد. این یافته ها که در مجله Nucleic Acids Research منتشر شده است، جهش هایی را در مناطقی از ژنوم که قبلا نادیده گرفته شده بودند نشان می دهد که ممکن است به شکل گیری و پیشرفت حداقل 12 سرطان مختلف از جمله سرطان پروستات، پستان و روده بزرگ کمک کند.

این کشف می تواند منجر به تشخیص زودهنگام و درمان های جدید موثر برای بسیاری از انواع سرطان شود.

دکتر آماندا خوری، افسر تحقیقات در Garvan و یکی از نویسندگان این مطالعه، می گوید: «DNA غیر کدکننده یک بار به دلیل عدم عملکرد آشکار آن به عنوان “DNA بی‌فایده ” رد شد. “تحقیقات ما جهش هایی را در این مناطق DNA پیدا کرده است که می تواند یک رویکرد کاملا جدید و جهانی برای درمان سرطان را باز کند.”

 بررسی لنگرهای DNA مختل شده در سرطان

پژوهشگران بر روی جهش‌هایی که محل‌های اتصال پروتئین CTCF را تحت تأثیر قرار می‌دهند تمرکز کردند. این پروتئین به تا کردن رشته‌های بلند DNA به شکل‌های خاص کمک می‌کند. در کار قبلی خود، آنها دریافتند که این مکان های اتصال بخش های دوردست DNA را به هم نزدیک می کنند و ساختارهای سه بعدی را تشکیل می دهند که کنترل می کنند کدام ژن ها روشن یا خاموش شوند.

دکتر خوری می گوید: “ما قبلا زیرمجموعه ای از مکان های اتصال CTCF را شناسایی کرده بودیم که “پایدار” هستند – یعنی آنها مانند لنگرهایی در ژنوم عمل می کنند که در انواع مختلف سلول وجود دارند. “ما این فرضیه را مطرح کردیم که اگر این لنگرها معیوب شوند، می تواند سازمان سه بعدی طبیعی ژنوم را مختل کند و به سرطان کمک کند.”

برای آزمایش این فرضیه، پژوهشگران یک ابزار جدید و پیچیده یادگیری ماشینی (AI) به نام CTCF-INSITE توسعه دادند که از ویژگی‌های ژنومی و اپی‌ژنومی برای پیش‌بینی محل‌های اتصال CTCF که احتمالاً لنگرهای پایدار در مجموع ۱۲ نوع سرطان هستند،استفاده می کند. آنها سپس بیش از 3000 نمونه تومور از بیماران مبتلا به 12 نوع سرطان را که از پایگاه داده بین المللی کنسرسیوم ژنوم در دسترس است، ارزیابی کردند و دریافتند که لنگرهای پایدار سرشار از جهش هستند.

دکتر ونهان چن، نویسنده اول این مطالعه، می گوید: «با استفاده از ابزار یادگیری ماشینی خود، مکان های اتصال CTCF پایدار را در 12 نوع سرطان مختلف شناسایی کردیم. “به طور قابل توجهی، ما دریافتیم که هر نمونه سرطان حداقل یک جهش در یک محل اتصال CTCF پایدار دارد.”

“این تحقیق تأیید کرد که مکان های اتصال CTCF پایدار “نقاط داغ جهش” در سرطان ها هستند. ما فکر می کنیم این جهش ها به سلول های سرطانی مزیت بقا می دهند و به آنها اجازه می دهند تکثیر و گسترش یابند.

به سوی یک رویکرد جهانی درمان سرطان

این یافته ها می تواند پیامدهای گسترده ای برای درک و درمان بسیاری از انواع سرطان داشته باشد. پروفسور سوزان کلارک، رئیس آزمایشگاه اپی ژنتیک سرطان در گاروان و نویسنده اصلی این مطالعه، می گوید: «اکثر درمان های جدید سرطان باید به دقت جهش های خاصی را هدف قرار دهند که همیشه در میان انواع مختلف تومور رایج نیستند، اما از آنجایی که این لنگرهای CTCF در چندین نوع سرطان جهش یافته اند، ما امکان توسعه رویکردهایی را باز می کنیم که می تواند برای چندین سرطان موثر باشد.

محققان اکنون در حال برنامه ریزی آزمایش های بیشتر در مقیاس بزرگ با استفاده از ویرایش ژن CRISPR هستند تا بررسی کنند که چگونه این جهش های لنگر ژنوم سه بعدی را مختل می کنند و به طور بالقوه رشد سرطان را تقویت می کنند.

پروفسور کلارک می گوید: “اکنون که ما آنچه را که معتقدیم لنگرهای حیاتی ژنوم هستند کشف کرده ایم و نشان داده ایم که آنها برای حفظ هموستاز معماری ژنوم مهم هستند، منطقی است که این جهش های DNA غیر کد کننده این هموستاز را در سلول سرطانی مختل کنند – فرضیه ای که هنگام ویرایش آنها آزمایش خواهیم کرد.” “با مشاهده تأثیر پایین دست، ما امیدواریم که ژن های کلیدی یا مسیرهای ژنی را که تحت تأثیر جهش ها قرار می گیرند، شناسایی کنیم، که می تواند به عنوان نشانگر برای تشخیص زودهنگام سرطان یا اهدافی برای درمان های جدید عمل کند.”

او می گوید: «یافتن این سرنخ هایی که در حجم وسیعی از داده ها پنهان شده بودند، نمونه ای قدرتمند از چگونگی تقویت تحقیقات پزشکی هوش مصنوعی است. “این یک مرز کاملا جدید در مطالعه سرطان است و ما هیجان زده هستیم که آن را بیشتر بررسی کنیم.”

این تحقیق توسط کمک مالی شورای ملی بهداشت و تحقیقات پزشکی ایده‌ها و کمک مالی Investigator پشتیبانی شد.

برای اطلاعات بیشتر درباره این پروژه، می‌توانید از  مقاله منتشر شده آنها بازدید کنید.

اگه به مطالعه در مورد هوش مصنوعی و کاربرد های پزشکی آن علاقه مند هستید میتوانید پست قبلی سایت بنو ذر رابطه با ترکیب MEG و fMRI برای نقشه‌برداری از دینامیک‌های فضایی-زمانی مغز انسان در تشخیص یک تصویر بصری را مشاهده کنید:

نقشه‌برداری از مسیرهای مغزی مربوط به به‌یادآوری بصری

این پست برگرفته از جدیدترین اخبار SciTechDaily میباشد. منبع

نوشته هوش مصنوعی سرطان‌ را تشخیص می‌دهد اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.

استفاده نوآورانه از MEG و fMRI برای ترسیم پویایی مغز

برای نزدیک به یک دهه، یک تیم از محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) در تلاش بودند تا کشف کنند چرا برخی تصاویر در ذهن مردم باقی می‌مانند، در حالی که بسیاری دیگر محو می‌شوند. برای این کار، آن‌ها به نقشه‌برداری از دینامیک‌های فضایی-زمانی مغز درگیر در شناسایی یک تصویر بصری پرداختند. و حالا برای اولین بار، دانشمندان از قدرت‌های ترکیبی مغناطیس‌سنجی مغز (MEG)، که زمان فعالیت مغز را ضبط می‌کند، و تصویربرداری تشدید مغناطیسی عملکردی (fMRI)، که نواحی فعال مغز را شناسایی می‌کند، بهره بردند تا به‌طور دقیق مشخص کنند که چه زمانی و کجا، مغز یک تصویر به‌یادماندنی را پردازش می‌کند.

کشف نقش مغز در حفظ تصویر و کاربردهای بالینی بالقوه تحقیق

مطالعه‌ی دسترسی آزاد آن‌ها که این ماه در PLOS Biology منتشر شده، از ۷۸ جفت تصویر که دارای یک مفهوم یکسان اما با نمرات به‌یادآوری متفاوت ( یکی بسیار به‌یادماندنی و دیگری آسان برای فراموش کردن ) استفاده شده است. این تصاویر که شامل صحنه‌های اسکیت‌برد، حیوانات در محیط‌های مختلف، اشیاء روزمره مانند فنجان‌ها و صندلی‌ها، مناظر طبیعی مانند جنگل‌ها و سواحل، صحنه‌های شهری از خیابان‌ها و ساختمان‌ها، و چهره‌هایی با حالت‌های مختلف بود، به ۱۵ شرکت‌کننده نشان داده شد. آن‌ها دریافتند که شبکه‌ گسترده‌تری از مناطق مغز نسبت به آنچه که قبلاً تصور می‌شد، به‌طور فعال در فرآیندهای رمزگذاری و نگهداری که اساس به‌یادآوری را تشکیل می‌دهند، درگیر است.

“افراد تمایل دارند برخی تصاویر را بهتر از تصاویر دیگر به یاد بسپارند، حتی زمانی که آن‌ها از نظر مفهومی مشابه هستند، مانند صحنه‌های مختلف از یک نفر که اسکیت‌برد سواری می‌کند”، بنجامین لاهر، دانشجوی دکترا در MIT در رشته مهندسی برق و علوم کامپیوتر، وابسته به CSAIL و نویسنده اصلی مطالعه، می‌گوید. “ما یک امضای مغزی برای قابلیت یادآوری بصری شناسایی کرده‌ایم که حدود 300 میلی‌ثانیه پس از مشاهده یک تصویر ظاهر می‌شود و شامل نواحی مختلفی از قشر پس‌سری (occipital cortex) و گیجگاهی (temporal cortex) است، که اطلاعاتی مانند درک رنگ و شناسایی اشیاء را پردازش می‌کند. این امضا نشان می‌دهد که تصاویر بسیار به یادماندی واکنش‌های مغزی قوی‌تر و پایدارتر را به‌ویژه در مناطقی مانند قشر بینایی اولیه، که قبلاً در پردازش حافظه دست‌کم می‌گرفتیم، تحریک می‌کنند.”

در حالی که تصاویر بسیار به یاد ماندنی پاسخ بالاتر و پایدار تری را برای حدود نیم ثانیه حفظ می‌کنند، پاسخ به تصاویر کم‌تر به یاد ماندنی به سرعت کاهش می‌یابد. برای این بینش، لاهر توضیح داد، می‌تواند درک ما از نحوه شکل‌گیری و ماندگاری حافظه را دوباره تعریف کند. تیم انتظار دارد که این تحقیق پتانسیل کافی برای کاربردهای بالینی آینده، به ویژه در تشخیص زودهنگام و درمان اختلالات مرتبط با حافظه داشته باشد.

روش ادغام MEG/fMRI و ایجاد یک ماتریس نمایشی برای پاسخ های عصبی

روش ادغام MEG/fMRI که در آزمایشگاه دانشمند ارشد تحقیقاتی CSAIL، آد اولیوا توسعه یافته، به طور ماهرانه ای پویایی فضایی و زمانی مغز را ثبت می کند و بر محدودیت های سنتی خاصیت فضایی یا زمانی غلبه می کند. این روش ادغام کمی از یادگیری ماشینی کمک گرفته است تا فعالیت مغز را هنگام نگاه به تصاویر مختلف بهتر بررسی و مقایسه کند. آن‌ها یک “ماتریس نمایشی” ایجاد کردند که شبیه به یک جدول دقیق است و نشان می‌دهد که چقدر پاسخ‌های عصبی در مناطق مختلف مغز مشابه هستند. این جدول به آن‌ها کمک کرد تا الگوهای مکانی و زمانی آنچه که مغزمی‌بینید و پردازش می‌کند را شناسایی کنند.

روش انتخاب تصاویر با میزان به یادماندن کم و زیاد

انتخاب تصاویر زوج‌های مفهومی مشابه با نمرات به یادماندنی بالا و پایین، عامل اصلی برای رسیدن به این بینش‌ها در مورد به یادماندن تصاویر بود. لاهنر روند جمع‌آوری داده‌های رفتاری برای تخصیص نمرات میزان به یادماندن به تصاویر را توضیح داد، جایی که آن‌ها مجموعه‌ای متنوع از تصاویر با ماندگاری بالا و پایین را با بازنمایی متعادل در بین دسته‌های بصری مختلف انتخاب کردند.

چالش ها و تحقیقات آینده

علیرغم پیشرفت‌های حاصل شده، تیم به چند محدودیت اشاره می‌کند. در حالی که این کار می‌تواند مناطق مغزی را شناسایی کند که اثرات به یاد ماندن قابل توجهی را نشان می‌دهند، اما نمی‌تواند عملکرد این مناطق را توضیح دهد که چگونه به بهتر کدگذاری/ بازیابی از حافظه کمک می‌کند.

پیامد های بالینی درک حافظه عصبی

به گفته الیوا، “درک مبانی عصبی به خاطر سپردن، مسیرهای هیجان‌انگیزی برای پیشرفت‌های بالینی به ویژه در تشخیص و درمان اختلالات مربوط به حافظه در مراحل اولیه، باز می‌کند،.” او ادامه می‌دهد: “امضاهای خاص مغزی که ما برای به خاطر سپردن شناسایی کرده‌ایم، می‌توانند به نشانه‌های بیوشیمیایی اولیه برای بیماری آلزایمر و دیگر زوال عقل‌ها منجر شود. این تحقیق راه را برای استراتژی‌های مداخله‌ای جدید هموار می‌کند که به طور دقیق با مشخصات عصبی فرد تنظیم می‌شوند، به طور بالقوه چشم‌انداز درمانی را برای اختلالات حافظه تغییر می‌دهند و به طور قابل توجهی نتایج بیمار را بهبود می‌بخشند.

ویلمای بینبریج، استادیار روانشناسی در دانشگاه شیکاگو که در این مطالعه مشارکت نداشت، می‌گوید: “این یافته‌ها هیجان‌انگیز هستند زیرا بینش‌هایی از آنچه که در مغز هنگام دیدن چیزی و ذخیره‌سازی آن درحافظه، رخ می‌دهد را به ما می‌دهند.” او ادامه می‌دهد: “پژوهشگران در اینجا در حال دریافت یک سیگنال قشر هستند که نشان می‌دهد چه چیزی مهم است تا به خاطر سپرده شود و چه چیزهایی می‌تواند در مراحل اولیه فراموش شود.”

تشکرات پژوهشی و تامین مالی

لاهنر و الیوا، که همچنین مدیر ارتباطات صنعتی استراتژیک در MIT Schwarzman College of Computing ، مدیر آزمایشگاه هوش مصنوعی MIT-IBM Watson ، و محقق اصلی CSAIL هستند، به همراه یلدا محسن‌زاده، استادیار دانشگاه غرب و کیتلین مالین، محقق دانشگاه یورک، در این مقاله همکاری دارند. این تیم از یک کمک‌هزینه مشترک از موسسات ملی بهداشت بهره می‌برد و و کار آنها توسط کمک هزینه تحصیلی دانشکده Vannevar Bush از طریق کمک مالی دفتر تحقیقات دریایی، جایزه بنیاد ملی علوم، جایزه ابتکار تحقیقات دانشگاه چند رشته ای از طریق کمک هزینه اداره تحقیقات ارتش و کمک هزینه تحصیلی EECS MathWorks تأمین شده است.مقاله آنها در PLOS Biology منتشر شده است.

برای اطلاعات بیشتر درباره این پروژه، می‌توانید از صفحه رسمی این پروژه و مقاله منتشر شده آنها بازدید کنید.

اگه به مطالعه در مورد هوش مصنوعی و کاربرد های پزشکی آن علاقه مند هستید میتوانید پست قبلی سایت بنو ذر رابطه با استفاده از زبان، دهان و حرکات سر برای کنترل تلفن‌ها و سایر دستگاه‌ها را مشاهده کنید!

صفحه لمسی دهانی به افراد مبتلا به فلج امکان می‌دهد با کامپیوترها تعامل داشته باشند!

این پست برگرفته از جدیدترین اخبار MIT میباشد. منبع

نوشته ترکیب MEG و fMRI در نقشه‌برداری مغز | هوش مصنوعی در پزشکی اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.