Machine Learning–Based Classification of Cancer Using Promoter-Associated 5-Hydroxymethylcytosine Signatures in Cell-Free DNA
تُظهر هذه الدراسة أن إطار عمل لتعلم الآلة يستخدم بصمات الـ 5-هيدروكسي ميثيل سيتوزين (5hmC) المرتبطة بالمحفزات من الحمض النووي الخالي من الخلايا يمكنه التمييز بفعالية ودقة بين عينات السرطان والعينات السليمة، مما يقدم استراتيجية واعدة للكشف المبكر عن السرطان وعلم الأورام الدقيق غير الجراحي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
السرطان هو مرض ناتج عن خلل في تعليمات الجسم الخاصة. لعقود من الزمن، بحث الأطباء عن علامات هذا الخلل من خلال البحث عن قطع مكسورة من الحمض النووي (DNA) أو جينات متحورة تطفو في الدم. وبينما تعتبر هذه الأدلة الجينية قيمة، إلا أنها غالباً ما لا تظهر إلا عندما يكون الورم كبيراً بما يكفي لإطلاق كمية كبيرة من المواد. وهذا يترك فجوة في الكشف المبكر، حيث قد يكون السرطان موجوداً ولكنه أصغر من أن يترك بصمة جينية. وقد وجه العلماء اهتمامهم مؤخاً إلى نوع مختلف من الإشارات: العلامات الكيميائية الملتصقة بالحمض النووي التي لا تغير الشفرة الوراثية نفسها، بل تعمل مثل مفاتيح التحكم في مستوى الصوت، حيث ترفع أو تخفض من نشاط الجينات. وتعتبر إحدى هذه العلامات، وتسمى "5-هيدروكسي ميثيل سيتوسين"، مثيرة للاهتمام بشكل خاص لأنها توجد في أنماط محددة اعتماداً على نوع الخلية التي تأتي منها. وعندما تصبح الخلية سرطانية، تتغير هذه الأنماط بطرق تختلف عن الخلايا السليمة. ولأن هذه العلامات الكيميائية تبقى في الدم، فإنها توفر وسيلة محتملة لرصد السرطان مبكراً، ليس من خلال العثور على جين مكسور، بل من خلال ملاحظة أن التعليمات الخاصة بتشغيل الخلية قد تمت إعادة كتابتها.
تستكشف دراسة جديدة أجرتها الباحثة تيشا سيراوات ما إذا كان يمكن استخدام هذه الأنماط الكيميائية في الدم للتمييز بين الشخص المصاب بالسرطان والشخص السليم. جمع الفريق بيانات من قاعدة بيانات عامة تحتوي على عينات من 804 فرداً، بما في ذلك 458 شخصاً يعانون من أنواع مختلفة من السرطان و346 متطوعاً سليماً. وبدلاً من النظر إلى الجينوم بأكمله مرة واحدة، وهو ما يشبه محاولة قراءة كل كلمة في مكتبة للعثور على خطأ مطبعي واحد، ركز الباحثون على نقاط انطلاق محددة للجينات، تُعرف باسم مواقع بدء النسخ. وقاموا بقياس كمية العلامة الكيميائية حول نقاط البدء هذه لآلاف الجينات في كل عينة، مما أوجد خريطة مفصلة للنشاط الكيميائي لكل شخص في الدراسة.
ولاستيعاب هذا الكم الهائل من البيانات، استخدم الباحثون برامج حاسوبية مدربة على التعرف على الأنماط، وهو مجال يُعرف بالتعلم الآلي. لقد علموا هذه البرامج كيفية النظر إلى الخرائط الكيميائية وتحديد ما إذا كانت العينة تعود لمريض سرطان أو لشخص سليم. واختبر الفريق ثلاثة أنواع مختلفة من برامج التعلم لمعرفة أي منها يعمل بشكل أفضل. وكان البرنامج الأكثر نجاحاً، والذي يعمل عن طريق بناء العديد من أشجار القرار الصغيرة ودمج إجاباتها، قادراً على تحديد السرطان بشكل صحيح في حوالي 78 بالمائة من الحالات الاختبارية التي لم يسبق له رؤيتها من قبل. كما حدد الأشخاص الأصحاء بشكل صحيح بنسبة 72 بالمائة تقريباً. ورغم أن هذا ليس مثالياً، إلا أنه إشارة قوية على أن الأنماط الكيميائية في الدم تحمل معلومات كافية للتمييز بين المجموعتين.
كما بحثت الدراسة في أي الجينات المحددة كانت الأكثر أهمية لاتخاذ هذه القرارات. فعندما نظر الكمبيوتر إلى البيانات دون تعليمات مسبقة، وجد أن الإشارات الأكثر فائدة جاءت من مزيج من الجينات، والعديد منها لم يكن معروفاً سابقاً كعوامل رئيسية مسببة للسرطان. ومع ذلك، عندما أجبر الباحثون الكمبيوتر على النظر فقط في الجينات المعروفة بالفعل بأنها مرتبطة بالسرطان، ظل البرنامج يعمل بشكل جيد للغاية. وهذا يشير إلى أن التغيرات الكيميائية المرتبطة بالسرطان واسعة الانتشار وتؤثر على أجزاء مختلفة من الجينوم، وليس فقط على بعض جينات السرطان الشهيرة. وكانت الجينات الأكثر تأثيراً التي حددها الكمبيوتر مرتبطة بالتحكم في نمو الخلايا، وانقسام الخلايا، وكيفية تواصل الخلايا مع بعضها البعض.
ومن أهم النتائج التي توصلت إليها الدراسة هي أن الإشارة التي وجدها الكمبيوتر لم تكن مجرد انعكاس لأنواع خلايا الدم المختلفة التي تدور في الجسم. فقد اختبر الباحثون ما إذا كانت النتائج مجرد التقاط للاختلافات الطبيعية في تكوين الدم بين الناس. وحتى بعد مراعاة هذه العوامل، استطاع الكمبيوتر التمييز بين السرطان والصحة بدقة عالية. وهذا يشير إلى أن الأنماط الكيميائية مرتبطة حقاً بوجود المرض بدلاً من كونها مجرد ضوضاء خلفية في الدم. كما أظهرت الدراسة أن التغيرات الكيميائية لم تكن موحدة؛ حيث كان لدى بعض الجينات هذه العلامة بنسبة أكبر لدى مرضى السرطان، بينما قلّت لدى جينات أخرى. وهذا النمط المعقد ومتعدد الاتجاهات هو ما تعلم الكمبيوتر التعرف عليه.
وعلى الرغم من هذه النتائج الواعدة، يوضح الباحثون بحذر أن هذا العمل هو بمثابة إثبات للمفهوم، وليس اختباراً طبياً جاهزاً للاستخدام. فقد استندت الدراسة إلى بيانات موجودة، وتم اختبار نماذج الكمبيوتر على عينات كانت جزءاً من نفس المجموعة. ولكي يصبح هذا الاختبار أداة تشخيصية في العالم الحقيقي، فإنه يحتاج إلى التحقق من صحته على مجموعات جديدة تماماً من المرضى في مستشفيات وظروف مختلفة. كما أن النماذج الحالية ترتكب أخطاء، حيث تفشل أحياناً في رصد حالة سرطان أو تصنف شخصاً سليماً بشكل خاطئ. ويقترح الباحثون أن العمل المستقبلي يجب أن يركز على دمج هذه الإشارات الكيميائية مع أنواع أخرى من البيانات، مثل حجم قطع الحمض النووي أو علامات كيميائية أخرى، لتحسين الدقة.
يُظهر هذا العمل أن المشهد الكيميائي للحمض النووي في الدم يحمل قصة غنية ومتعددة الأبعاد عن صحة الإنسان. فمن خلال التركيز على نقاط بدء الجينات واستخدام التعلم الحاسوبي الحديث، يمكن للعلماء البدء في قراءة هذه القصة بوضوح متزايد. وتشير النتائج إلى أن السرطان يترك بصمة واسعة ومنسقة في الدم تتجاوز مجرد الطفرات الجينية البسيطة. ورغم أن الطريق نحو اختبار سريري لا يزال طويلاً، إلا أن هذه الدراسة توفر أساساً متيناً للاعتقاد بأن اللغة الكيميائية للجينوم يمكن ترجمتها إلى أداة قوية للكشف المبكر عن السرطان.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.