5 دقیقه
آزمایش مدفوع غیرتهاجمی با دقت نزدیک به کولونوسکوپی
یک تیم پژوهشی در دانشگاه ژنو (UNIGE) روشی مبتنی بر یادگیری ماشین توسعه داده‌اند که میکروبیوم روده انسان را در سطح زیرگونه‌ها تحلیل می‌کند و قادر است سرطان روده بزرگ را از نمونه‌های مدفوع با حساسیت حدود 90٪ شناسایی کند. این مطالعه که در Cell Host & Microbe منتشر شده است، اولین فهرست جامع زیردانسی باکتری‌های روده را ارائه می‌دهد و از آن برای ساخت مدلهای پیشبینی استفاده کرده که عملکردی نزدیک به کولونوسکوپی را نشان می‌دهد، در حالی که گزینه‌ای کم‌هزینه و غیرتهاجمی برای غربالگری فراهم می‌آورد.
سرطان روده بزرگ یکی از علل اصلی مرگ و میر ناشی از سرطان در سطح جهان است و تشخیص زودهنگام به‌طور قابل توجهی نتایج درمانی را بهبود می‌بخشد. با این حال کولونوسکوپی—استاندارد طلایی بالینی—گران، نیازمند منابع فراوان و اغلب به خاطر ناراحتی و آماده‌سازی مورد اجتناب قرار می‌گیرد. یک تست مدفوع با عملکرد بالا که بر پایه نشانگرهای میکروبیوم باشد میتواند مشارکت در برنامه‌های غربالگری را افزایش دهد، سرطان‌ها را زودتر شناسایی کند و تعیین کند چه کسانی نیاز به کولونوسکوپی تأییدی دارند.
پیش‌زمینه علمی: دقت در سطح زیردانسی و اهمیت آن
توضیح سطح زیردانسی
معمولاً طبقه‌بندی باکتری‌ها در سطح گونه یا سویه گزارش می‌شود. تحلیل در سطح گونه ممکن است تفاوتهای عملکردی میان زیرگروههای ژنتیکی را از دست بدهد، در حالی که نشانگرهای سطح سویه بین افراد و جمعیت‌ها بسیار متفاوت است. تیم UNIGE بر یک سطح میانی از طبقه‌بندی—یعنی زیردانسی—تمرکز کرد تا تفاوتهای بیولوژیک سازگارتری را که بر فیزیولوژی میزبان در کوهورهای مختلف تأثیر می‌گذارد، ثبت کند.
با استفاده از مجموعه‌داده‌های بزرگ متاژنومی، بیوانفورماتیک‌نویسان اطلسی از زیردانسی‌های میکروبیوم روده را بازسازی کردند. این دقت بالاتر به پژوهشگران اجازه داد زیردسته‌های میکروبی را که نقش‌های متفاوتی در التهاب، متابولیسم و زیستشناسی تومور دارند از هم متمایز کنند—تفاوت‌هایی که در تحلیل‌های کلی‌تر نامرئی‌اند اما به اندازه‌ای تکرارشونده‌اند که بتوان روی آن‌ها مدلهای یادگیری ماشین قوی آموزش داد.
روش‌ها، یافته‌های کلیدی و پیامدهای بالینی
گروه، فهرست زیردانسی خود را با فراداده‌های بالینی ترکیب کرده و الگوریتم‌هایی برای طبقه‌بندی نمونه‌های مدفوع به صورت مثبت یا منفی برای سرطان توسعه دادند. ماتیا تریکوویک، نویسنده اول مقاله، چالش محاسباتی پردازش مجموعه‌داده‌های عظیم را تشریح کرد و گفت تیم یک خط‌مشی دقیق اجرا کرده که برای پژوهش و کاربردهای بالینی مناسب است. مدل در مجموعههای اعتبارسنجی تقریباً 90٪ از موارد سرطان روده بزرگ را کشف کرد—که نزدیک به نرخ کشف 94٪ گزارششده برای کولونوسکوپی و بهتر از تستهای غیرتهاجمی موجود است.
محقق اصلی، میرکو تراجکوفسکی، تأکید کرد که نقشه‌برداری در سطح زیردانسی تغییرات عملکردی میان باکتری‌ها را که می‌توانند توسعه تومور را تشویق یا مهار کنند، نشان می‌دهد. با تمرکز بر امضای زیردانسی‌های تکرارشونده به‌جای گونه‌های کلی یا سویه‌های بسیار فردی، مدل قابلیت تعمیم در جمعیت‌ها و مناطق جغرافیایی مختلف را دارا است.
یک کارآزمایی بالینی در بیمارستان‌های دانشگاه ژنو (HUG) برنامه‌ریزی شده تا تست را در مراحل مختلف سرطان و انواع ضایعات ارزیابی کند. در یک جریان احتمالی غربالگری، نتایج مثبت میکروبیوم با کولونوسکوپی هدفمند پیگیری خواهند شد، که تعداد کولونوسکوپی‌های کامل مورد نیاز را کاهش داده و امکان مداخله زودهنگام برای سرطان‌هایی که در غیر این صورت از دست می‌رفتند را فراهم می‌آورد.
علاوه بر سرطان روده بزرگ، این رویکرد مسیرهایی را برای تشخیص غیرتهاجمی سایر سرطان‌ها و بیماری‌های مزمن که میکروبیوتای روده در آن‌ها نقش دارد، باز می‌کند. نقشه‌برداری تفاوتهای زیردانسی میتواند مکانیزم‌هایی را که از طریق آن‌ها میکروب‌ها التهاب، پاسخ ایمنی و متابولیسم دارو را تحت تأثیر قرار می‌دهند روشن کند و به توسعه درمان‌های شخصی‌سازی‌شده کمک کند.
دیدگاه کارشناسان
دکتر لورا چن، میکروب‌شناس بالینی و ارتباط‌دهنده علمی، اینطور اظهار نظر می‌کند: "این مطالعه ارزش دقت در سطحی از میکروبیوم را نشان می‌دهد که هم از نظر بیولوژیک معنادار و هم از نظر بالینی مفید است. کاربرد یادگیری ماشین بر روی یک فهرست زیردانسی قوی میتواند سیگنال‌هایی را استخراج کند که تستهای ساده‌تر از آن غفلت می‌کنند. گام‌های بعدی—کارآزماییهای چندمرکزی بزرگ و ادغام با گردش‌های کاری بالینی—تعیین خواهند کرد این فناوری با چه سرعتی میتواند برنامه‌های غربالگری را در سراسر جهان بهبود بخشد."
چالش‌های عملی همچنان باقی است: استانداردسازی جمعآوری نمونه مدفوع، تضمین توالییابی تکرارشونده در آزمایشگاههای مختلف، و اعتبارسنجی عملکرد در جمعیتهای غربالگری که شامل افراد بدون علامت و جوانترها می‌شود، جایی که شیوع در حال افزایش است. ادغام دادههای بالینی و جمعیتشناختی بیشتر میتواند دقت را بهبود بخشد و موارد مثبت کاذب را کاهش دهد.
نتیجه‌گیری
اطلس میکروبیوم روده در سطح زیردانسی و طبقه‌بندهای مبتنی بر هوش مصنوعی دانشگاه ژنو، روش غیرتهاجمی امیدوارکننده‌ای برای تشخیص سرطان روده بزرگ با حساسیتی نزدیک به کولونوسکوپی ارائه می‌دهد. در صورت اعتبارسنجی در کارآزماییهای بالینی گسترده‌تر، غربالگری مبتنی بر میکروبیوم از طریق نمونه مدفوع میتواند تشخیص زودهنگام را افزایش دهد، وابستگی به روش‌های تهاجمی را کاهش دهد و به تشخیص سایر بیماری‌هایی که تحت تأثیر میکروبیوتا قرار دارند گسترش یابد. این رویکرد نشان می‌دهد که چگونه نقشه‌برداری با وضوح بالا از میکروبیوم همراه با یادگیری ماشین میتواند دانش اکولوژی میکروبی را به ابزارهای بالینی قابل استفاده تبدیل کند.
منبع: sciencedaily
نظرات