Resolving the Origin of Metastatic Tumors Using Machine Learning and Mutation Signatures: A Practical Alternative to Complex Search Algorithms

عندما ينتشر السرطان من موقعه الأصلي إلى جزء آخر من الجسم، يواجه الأطباء لغزاً حرجاً: يجب عليهم تحديد مكان نشوء المرض لاختيار العلاج المناسب. ولا يكون هذا سهلاً دائماً؛ فأحياناً يظهر ورم في الرئة أو الكبد، لكن الموقع الأصلي يظل مخفياً، مما يترك الأطباء في حيرة من أمرهم بشأن الأدوية التي قد تجدي نفعاً. تُعرف هذه الحالة بحالة "سرطان المصدر المجهول"، وهي حالة تصيب عدداً صغيراً ولكن مؤثراً من المرضى. وبدون معرفة المصدر، غالباً ما يتحول العلاج إلى عملية تجربة وخطأ يمكن أن تؤدي إلى تأخير الرعاية الفعالة وتقصير مدة البقاء على قيد الحياة. ولعقود من الزمن، حاول العلماء حل هذه المعضلة من خلال البحث في الطفرات الجينية داخل الخلايا الورمية، حيث تعمل هذه الطفرات كبصمة جينية فريدة تتركها الأنسجة التي بدأ منها السرطان. وبينما حاول بعض الباحثين إعادة بناء التاريخ الكامل لكيفية انتقال السرطان عبر الجسم باستخدام نماذج حاسوبية معقدة، إلا أن هذه الأساليب قد تكون بطيئة وصعبة الاستخدام في المستشفيات المزدحمة.

لقد اقترح أحد الباحثين مساراً مختلفاً؛ فبدلاً من محاولة رسم خريطة للرحلة الكاملة للسرطان، تساءل عما إذا كان اتباع نهج أبسط يمكن أن يؤدي إلى نفس النتيجة. قام ببناء برنامج حاسوبي مصمم للنظر مباشرة في نمط طفرات الجينات في الورم والتنبؤ بأصله. ولاختبار هذه الفكرة، أنشأ مجموعة بيانات تمثل 200 مريض يعانون من خمسة أنواع شائعة من السرطان: سرطان الثدي، والرئة، والقولون والمستقيم، والبنكرياس، والبروستاتا. لم تُؤخذ هذه البيانات من مرضى حقيقيين في مستشفى، بل تمت محاكاتها بعناقة لتطابق الأنماط الجينية الموجودة في الدراسات الطبية الواقعية. قام الباحثون بتغذية هذه المعلومات في نموذج تعلم آلي، وتحديداً نموذج يُعرف باسم "مصنف الغابة العشوائية" (random forest classifier). يعمل هذا النوع من البرامج عن طريق بناء العديد من أشجار القرار البسيطة التي تنظر كل منها إلى أجزاء مختلفة من البيانات الجينية وتصوت على الإجابة.

كانت النتائج مذهلة؛ فقد حدد النموذج النسيج الأصلي للورم بشكل صحيح في 93.33 بالمائة من حالات الاختبار. لقد حقق أداءً مثالياً في حالات سرطان الرئة والبروستاتا، وأداءً جيداً جداً في الأنواع الأخرى. أما الأخطاء القليلة التي وقع فيها، فقد حدثت غالباً بين سرطاني القولون والمستقيم والبنكرياس، واللذين يتشاركان في بصمات جينية متشابهة ويصعب على أطباء علم الأمراض البشريين التمييز بينهما. وما جعل هذه النتيجة مقنعة للغاية هو أن الكمبيوتر لم يقم بالتخمين فحسب، بل تعلم التعرف على الجينات المحددة التي يعرف العلماء بالفعل أنها مرتبطة بهذه الأمراض. فعلى سبيل المثال، حدد النموذج أن وجود طفرات معينة في جينات مثل ERG وFOXA1 يشير بقوة إلى سرطان البروستاتا، بينما تشير الطفرات في جينات مثل EGFR وALK إلى سرطان الرئة. ومن خلال التركيز على هذه العلامات البيولوجية المعروفة، أثبت النموذج أنه يتعرف على أنماط حقيقية وليس مجرد ارتباطات عشوائية.

يوفر هذا النهج ميزة واضحة مقارنة بالأساليب الأكثر تعقيداً المستخدمة حالياً. تحاول بعض التقنيات الحالية إعادة بناء التاريخ التطوري للسرطان من خلال البحث في ملايين المسارات المحتملة التي قد يكون المرض قد سلكها. ويشير المؤلف إلى أن هذه مهمة ثقيلة حاسوبياً، تشبه محاولة العثور على مسار محدد واحد عبر غابة شاسعة وغير مستكشفة. أما طريقتهم الجديدة فتتجاوز عملية البحث تماماً؛ فهي تنظر إلى الدليل الجيني الموجود في الورم وتحدد احتمالية لكل أصل محتمل في خطوة واحدة سريعة. ولأنها لا تحتاج إلى بناء أشجار عائلية معقدة لخلايا السرطان، فإنها تعمل بسرعة على أجهزة الكمبيوتر القياسية وتنتج نتائج يسهل على الأطباء فهمها. كما يمكن للنموذج شرح قراره من خلال تسليط الضوء على الجينات المحددة التي أثرت في التنبؤ، مما يمنح الأطباء سبباً واضحاً للثقة في النتيجة.

تشير الدراسة إلى أن التحليل المباشر لأنماط الطفرات يمكن أن يوفر إجابات موثوقة لمشكلة لطالما تحدت علم الأورام. وبينما يقر الباحثون بأن بياناتهم كانت محاكاة وأن هناك حاجة لمزيد من الاختبار على عينات مرضى حقيقيين، إلا أن الطريقة تثبت أن الدقة العالية لا تتطلب خوارزميات معقدة. إنها تقدم أداة عملية يمكن دمجها في مختبرات علم الأمراض دون الحاجة إلى قدرات حوسبة متخصصة. ومن خلال تحويل سؤال تشخيصي صعب إلى مهمة بسيطة قائمة على التعرف على الأنماط، يوفر هذا العمل طريقة جديدة لمساعدة الأطباء على اتخاذ قرارات أسرع وأكثر استنارة للمرضى الذين يعانون من السرطان النقيلي، مما قد يؤدي إلى نتائج أفضل عندما يظل الورم الأولي لغزاً.