پژوهشگران مرکز تحقیقات سندرم متابولیک پژوهشکده علوم پایه دانشگاه علوم پزشکی مشهد به منظور شناسایی ژن‌ها و مسیرهای مولکولی مهم در سرطان‌های کولون، معده و پانکراس از روش‌های یادگیری ماشین و تحلیل‌های RNA Sequencing بهره می گیرند.
به گزارش دیده بان علم ایران، دکتر الهام نظری، دانش آموخته دانشکده پزشکی دانشگاه علوم پزشکی مشهد (دارنده عنوان پایان نامه برتر/پژوهشگر برتر و دانشجوی برتر در جشنواره پروفسور حسابی سال ۱۳۹۸) با اشاره به اینکه این پژوهش تحت نظارت و راهنمایی دکتر امیر آوان، عضو هیات علمی دانشگاه علوم پزشکی مشهد اجرا شده است، اظهار کرد: امروزه ما شاهد تولید حجم عظیمی از داده ها در بخش‌های مختلف مراقبت سلامت هستیم و تجزیه و تحلیل صحیح این داده‌ها میتواند در پیشگیری، تشخیص زودهنگام، انتخاب درمان مناسب، بهبود کیفیت زندگی بیماران و کاهش هزینه‌ها نقش بسزایی داشته باشد و به‌کارگیری تحلیل‌های کلان داده (Big Data) در حوزه مراقبت سلامت در این زمینه از اهمیت بالایی برخوردار است.
وی با اشاره به اینکه این نوع داده ها با دارا بودن ویژگی‌هایی همچون ساختارپیچیده، تنوع و حجم بالا منجر به ایجاد مشکل در مدیریت، اشتراک، آنالیز، بصری سازی، ارائه نتایج با صحت بالا و همچنین عدم کشف و شناسایی الگوهای داده ای مهم خواهند شد، خاطر نشان کرد: بر این اساس بکارگیری تکنیک‌های پیشرفته یادگیری ماشین از قبیل Deep Learning که در سال‌های اخیر بسیار مورد توجه قرار گرفته است امری ضروری است.
دکتر نظری با بیان اینکه امروزه سرطان‌ها به عنوان یکی از عوامل مهم مرگ و میر در جهان شناخته شده است تصریح کرد:توجه بیش از پیش بکارگیری بیوانفورماتیک در تشخیص و شناسایی مسیرهای کلیدی در درمان سرطان امری مهم به شمار می رود.
دکتر نظری با اشاره به اینکه تشخیص زودهنگام سرطان یکی از مؤثرترین راه‌های کاهش میزان مرگ و میر ناشی از آن است و از طرفی سرطان با تغییرات ژنتیکی ارتباط تنگاتنگی دارد گفت: بر این اساس، شناسایی تغییرات ژنتیکی در تشخیص زودهنگام سرطان از اهمیت ویژه ای بر خوردار است و به کارگیری تحلیل های مناسب بر داده‌های بیان ژنی در تشخیص مراحل ابتدایی انواع سرطان ها زمینه ساز انتخاب درمانی موثر خواهد شد.
وی تصریح کرد: به منظور شناسایی بیومارکرهای مهم و استخراج اطلاعات ارزشمند سرطان‌ها در سال‌های اخیر RNA-Sequencing ،DNA-Sequencing و پیش بینی دارو مورد توجه پژوهشگران قرار گرفته است. بدین سبب لزوم بکارگیری آنالیزهای Big Data غیرقابل انکار است.
نظری که در حال حاضر در دوره پسادکتری بیوانفورماتیک در پژوهشکده علوم پایه در حال فعالیت است، معتقد است که پروژه توالی ژنومی و تکنولوژی‌های high throughput مانند whole genome sequencing و پروتئومیکس منجر به تولید حجم زیادی از اطلاعات می‌شوند. این داده‌های ارزشمند با شناسایی ژن‌ها و مسیرهای مولکولی اثرگذار بر بیماری، امکان درمان‌های نوین را فراهم می‌کنند.
وی تاکید کرد: پیش بینی ساختار سه بعدی پروتئین، طراحی داروها، پیش بینی تداخلات دارویی، پیش بینی هدف های احتمالی برای داروی جدید از کاربردهای دیگر تحلیل‌های کلان داده است. در نتیجه، علوم مدیریت داده و آنالیزهای کلان داده در حال پیشرفت هستند تا منابع عظیم داده ای را به اطلاعات و دانش تبدیل کنند و در تحقق اهداف و اخذ تصمیم گیری بهتر به کار روند. در مطالعات نوین سعی بر آن است با بهره‌مندی از تحلیل‌های کلان داده، یادگیری ماشین، بیوانفورماتیک و ژنومیکس گامی جدید در تشخیص و درمان سرطان برداشته شود؛ بنابراین این رویکرد میتواند چشم اندازی امیدوارکننده در حیطه ژنتیک و گامی موثر به سوی پزشکی شخصی سازی شده باشد.
انتهای پیام