A quantum generative model for in silico clinical trials using scarce training datasets
تقترح هذه الورقة وتتحقق من صحة مسار نموذج توليدي كمي يقوم بتخليق مرضى افتراضيين (in silico) عالي الدقة بفعالية من مجموعات بيانات سريرية نادرة، مما يظهر قدرة فائقة على التعميم والتعبير مقارنة بالنماذج الكلاساسية المرجعية باستخدام بيانات واقعية لمتلازمة خلل تنسج النخاع على حاسوب كمي من نوع IBM.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
إن اختبار الأدوية الجديدة عملية بطيئة، ومكلفة، وغالباً ما تكون مفجعة. فقبل أن يصل العلاج إلى الأشخاص الذين يحتاجون إليه، يجب على الباحثين إثبات سلامته وفعاليته من خلال تجارب سريرية تشمل متطوعين بشريين حقيقيين. وبالنسبة للأمراض الشائعة، يكون جمع عدد كافٍ من المشاركين أمراً يمكن إدارته، ولكن بالنسبة للأمراض النادرة أو المعقدة للغاية، فإن العثور على مجموعة كبيرة من المرضى الذين يعانون من نفس الحالة بالضبط هو أمر مستحيل تقريباً. وهذا الندرة تجعل من الصعب إجراء الدراسات الكبيرة اللازمة لإيجاد العلاجات. ولحل هذه المشكلة، بدأ العلماء في تطوير طرق "في السيليكو" (in silico)، والتي تستخدم أجهزة الكمبيوتر لإنشاء مرضى افتراضيين. هؤلاء التوائم الرقميون ليسوا أشخاصاً حقيقيين، لكنهم صُمموا لمحاكاة الأنماط الإحصائية للسكان الحقيقيين، مما يسمح للباحثين بإجراء عمليات محاكاة قد تكون مكلفة للغاية أو غير أخلاقية إذا أُجريت على بشر أحياء. والهدف هو توليد بيانات اصطناعية واقعية للغاية بحيث يمكنها المساعدة في التنبؤ بكيفية استجابة مجموعة حقيقية من المرضى لعلاج جديد.
ومع ذلك، فإن إنشاء هؤلاء المرضى الافتراضيين أمر صعب للغاية عندما تكون البيانات الحقيقية نادرة. فبرامج الكمبيوتر التقليدية المستخدمة لتوليد هذه البيانات تتطلب عادةً مكتبات ضخمة من سجلات المرضى لتتعلم أنماط المرض. وعندما يمتلك الباحثون بضع مئات من السجلات فقط، كما هو الحال مع الحالات النادرة، غالباً ما تفشل هذه البرامج القياسية، فتنتج بيانات مزيفة لا تشبه الواقع في شيء، أو تكتفي بنسخ الأمثلة القليلة التي أُعطيت لها دون فهم القواعد الأساسية. وقد اقترح فريق من الباحثين في إسبانيا والولايات المتحدة الآن نهجاً مختلفاً، يستعير من مجال الحوسبة الكمومية الناشئ. ويقترحون أن الطريقة الفريدة التي تتعامل بها الآلات الكمومية مع الاحتمالية قد تسمح لها بتعلم أنماط معقدة من مجموعات بيانات صغيرة جداً، مما يؤدي إلى إنشاء مرضى افتراضيين عالي الجودة حيث تعجز الطرق القديمة.
ركز الباحثون عملهم على متلازمات خلل تنسج النخاع، وهي مجموعة من اضطرابات الدم النادرة حيث يعاني المرضى من مجموعة متنوعة من الطفرات الجينية والنتائج السريرية. وقد جمعوا بيانات من تجربة سريرية محددة شملت مرضى يعانون من نوع فرعي معين من المرض. كانت البيانات التي لديهم غير متوازنة؛ فقد امتلكوا معلومات أساسية مثل العمر والجنس وتعداد الدم للعديد من المرضى، ولكن المعلومات التفصيلية حول نتائج العلاج والبقاء على قيد الحياة كانت متاحة لعدد أقل بكثير. هذا الوضع "غير المتماثل"، حيث تكون بعض التفاصيل وفيرة بينما تغيب أخرى، يمثل عقبة شائعة في أبحاث الأمراض النادرة. ولمواجهة ذلك، بنى الفريق مساراً جديداً يجمع أولاً بين هذين النوعين المختلفين من المعلومات في صورة واحدة موحدة لمجتمع المرضى. ثم قاموا بترجمة هذه الصورة إلى تنسيق يمكن للحاسوب الكمومي فهمه، باستخدام بنية رياضية تضغط العلاقات المعقدة في شكل يمكن إدارته دون فقدان التفاصيل الجوهرية.
تم بعد ذلك رسم هذه التمثيل المضغوط على دائرة كمومية، وهي ترتيب محدد للعمليات على معالج كمومي. وقام الباحثون بتشغيل هذه العملية على حاسوب كمومي حقيقي موجود في الولايات المتحدة، وتحديداً جهاز يحتوي على 156 بت كمومي. وقد أنتجت الآلة آلاف السجلات الاصطناعية للمرضى. وللتحقق مما إذا كان هؤلاء المرضى الرقميون جيدين، قارن الفريق بينهم وبين البيانات الحقيقية، وبين البيانات الاصطناعية التي أنشأتها ثلاثة نماذج حاسوبية كلاسيكية معروفة. واختبروا النماذج باستخدام كميات مختلفة من بيانات التدريب، تتراوح من 100 مريض فقط إلى 400 مريض، لمعرفة مدى صمود كل طريقة عند محدودية المعلومات. وقاسوا ما إذا كانت البيانات الاصطناعية تطابق التوزيع الإحصائي للمرضى الحقيقيين وما إذا كان بإمكان برنامج كمبيوتر التمييز بين السجلات الحقيقية والمزيفة.
أظهرت النتائج ميزة واضحة للنهج الكمومي. فعندما كانت بيانات التدريب شحيحة، أنتج النموذج الكمومي مرضى اصطناعيين كانوا أقرب بكثير إلى السكان الحقيقيين مقارنة بالنماذج الكلاسيكية. وكان من الصعب على المصنف التمييز بين المرضى الافتراضيين الذين أنشأهم الكمبيوتر الكمومي وبين البشر الحقيقيين، مما يشير إلى أن النموذج قد تعلم التعقيد الحقيقي للمرض بدلاً من مجرد حفظ الأمثلة القليلة التي أُعطيت له. علاوة على ذلك، كان النموذج الكمومي أفضل في إعادة إنتاج النطاق الكامل للاختلافات الموجودة في البيانات الحقيقية، مما يشير إلى أنه أقل عرضة للوقوع في فخ تكرار الأنماط القليلة نفسها. وبينما كان أداء النماذج الكلاسيكية مقبولاً مع مجموعات البيانات الأكبر، إلا أنها تعثرت مع انخفاض عدد المرضى المتاحين، في حين ظل النهج الكمومي قوياً. وتشير الدراسة إلى أن هذا النهج الهجين، الذي يجمع بين الإحصاء الكلاسيكي والمعالجة الكمومية، يوفر طريقة واعدة لإنشاء مرضى افتراضيين عالي الدقة للأمراض النادرة، مما قد يساعد في تحسين التجارب السريرية المستقبلية عندما يصعب الحصول على بيانات من العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.