آشنایی با MeLSI؛ ابزار یادگیری ماشین برای شناسایی نشانه‌های پنهان بیماری در باکتری‌های روده
روش یادگیری متریک برای استنباط آماری، پیچیدگی داده‌های میکروبیوم را کاهش می‌دهد تا میکروب‌های عامل تغییرات مهم زیستی را شناسایی کند.
نکات کلیدی
- پژوهشگران دانشگاه میزوری ابزار هوش مصنوعی به نام MeLSI برای تحلیل داده‌های میکروبیوم روده توسعه داده‌اند.
- MeLSI میکروب‌های مشخصی را که عامل تغییرات زیستی هستند شناسایی می‌کند و عملکرد آن از روش‌های تحلیلی متداول بهتر است.
- این ابزار می‌تواند به دانشمندان در تشخیص زودتر بیماری‌ها و طراحی مداخلات پزشکی هدفمند کمک کند.
اندرو کورسلی
پژوهشگران دانشگاه میزوری با استفاده از هوش مصنوعی در پی کشف نشانه‌های پنهان در میان تریلیون‌ها باکتری ساکن روده انسان هستند؛ نشانه‌هایی که تغییرات مرتبط با بیماری را آشکار می‌کنند و ممکن است روزی به دانشمندان در تشخیص زودتر بیماری‌ها کمک کنند.
تیم پژوهشی میزوری که تخصص‌های پزشکی، علم داده و مهندسی را در کنار هم گرد آورده است، ابزار جدیدی مبتنی بر یادگیری ماشین توسعه داده که می‌تواند نشانه‌های زیستی نادیده‌مانده در روش‌های متداول را شناسایی کند.
این ابزار که «یادگیری متریک برای استنباط آماری» (Metric Learning for Statistical Inference) یا MeLSI نام دارد، پیچیدگی داده‌های میکروبیوم را کاهش می‌دهد و میکروب‌هایی را شناسایی می‌کند که تغییرات مهم زیستی را رقم می‌زنند. این قابلیت اهمیت زیادی دارد؛ زیرا شواهد فزاینده نشان می‌دهند که تغییرات میکروبیوم ممکن است ماه‌ها یا حتی سال‌ها پیش از بروز علائم بیماری آغاز شوند.
آی‌لینگ لین، استاد علوم زیستی در دانشکده هنر و علوم دانشگاه میزوری، استاد رادیولوژی در دانشکده پزشکی این دانشگاه و پژوهشگر مرکز سلامت دقیق نسل آینده (NextGen Precision Health)، گفت: «به‌تدریج شواهدی به دست می‌آوریم که نشان می‌دهد تغییرات جزئی در میکروبیوم روده ممکن است مدت‌ها پیش از بروز علائم بیماری‌های عصبی مانند آلزایمر رخ دهند. اگر بتوانیم این تغییرات را زودتر شناسایی کنیم، شاید راه‌هایی برای کاهش اثر آن‌ها یا حتی معکوس کردنشان پیدا کنیم.»
روش‌های تحلیلی سنتی می‌توانند تفاوت‌های کلی میان جوامع میکروبی افراد سالم و بیمار را آشکار کنند. اما MeLSI یک گام فراتر می‌رود و میکروب‌های مشخصی را که مسئول این تفاوت‌ها هستند شناسایی می‌کند؛ در نتیجه، پژوهشگران تصویر روشن‌تری از تغییرات رخ‌داده در میکروبیوم به دست می‌آورند.
نیتن برسِت، نویسنده اصلی پژوهش و دانشجوی دکتری مؤسسه علم داده و انفورماتیک دانشگاه میزوری، گفت: «روش‌های استاندارد مانند استفاده از خط‌کشی معمولی برای اندازه‌گیری همه‌چیز هستند. در مقابل، MeLSI بیشتر شبیه اسکنری هوشمند عمل می‌کند که یاد می‌گیرد عوامل مزاحم پس‌زمینه را نادیده بگیرد و روی مهم‌ترین موارد تمرکز کند.»
پژوهشگران دانشگاه میزوری، MeLSI را با استفاده از داده‌های چندین مطالعه منتشرشده پیشین آزمایش کردند. این ابزار در بررسی‌های مختلف به‌طور پیوسته الگوهای معناداری را آشکار کرد که روش‌های متداول قادر به شناسایی آن‌ها نبودند.
در مطالعه‌ای با مشارکت بیش از ۱۱۰۰ بزرگسال، MeLSI صرفاً تفاوت میکروبیوم روده زنان و مردان را تأیید نکرد؛ بلکه باکتری‌هایی را مشخص کرد که بیشترین نقش را در این تفاوت داشتند و نقطه شروع مشخصی برای پژوهش‌های بعدی در اختیار محققان گذاشت. در مطالعه‌ای جداگانه که افراد پیرو رژیم غذایی غربی را با افراد دارای رژیم غذایی پرفیبر مقایسه می‌کرد، MeLSI تأثیر واقعی رژیم غذایی بر میکروبیوم را شناسایی کرد؛ تأثیری که روش‌های استاندارد از تشخیص آن بازمانده بودند.
این یافته‌ها در مجموع نشان می‌دهند که ابزار توسعه‌یافته در دانشگاه میزوری می‌تواند روش قدرتمندی برای بررسی تأثیر میکروبیوم بر سلامت و بیماری در اختیار پژوهشگران قرار دهد؛ رویکردی که ممکن است به تشخیص زودتر بیماری‌ها و طراحی مداخلات هدفمندتر منجر شود.
در ادامه، گفت‌وگوی اختصاصی نشریه Tech Briefs با نیتن برسِت را می‌خوانید که برای افزایش وضوح و رعایت اختصار ویرایش شده است.
Tech Briefs: بزرگ‌ترین چالش فنی شما هنگام توسعه MeLSI چه بود؟
برسِت: بزرگ‌ترین چالش، ترکیب ریاضیات، آمار و یادگیری ماشین در قالب روشی واحد بود که بتواند خود را با ویژگی‌های جامعه میکروبیوم سازگار کند. هر یک از این حوزه‌ها شیوه تفکر خاص خود را دارند. هماهنگ کردن آن‌ها به‌گونه‌ای که روش بتواند از داده‌ها یاد بگیرد و در عین حال نتایجی قابل اعتماد ارائه دهد، به تلاش زیادی نیاز داشت.
Tech Briefs: هنگام آزمایش MeLSI با چه چالش بزرگی روبه‌رو بودید؟
برسِت: باید مطمئن می‌شدیم الگوهایی که MeLSI پیدا می‌کند، واقعی هستند. پیش از استفاده از ابزار در مطالعات واقعی، آن را با داده‌های شبیه‌سازی‌شده‌ای آزمایش کردیم که پاسخ درست در آن‌ها از قبل مشخص بود. این آزمایش‌ها مواردی را هم شامل می‌شدند که در آن‌ها اساساً هیچ تفاوت واقعی وجود نداشت؛ هدف این بود که بررسی کنیم ابزار الگوهایی را که واقعاً وجود ندارند، شناسایی نکند. سپس آن را روی مجموعه‌داده‌های منتشرشده اجرا کردیم تا ببینیم عملکردش در مواجهه با داده‌های واقعی میکروبیوم چگونه است.
Tech Briefs: برای ادامه پژوهش یا گام‌های بعدی برنامه مشخصی دارید؟
برسِت: بله. در آزمایشگاه خودمان در دانشگاه میزوری، استفاده از MeLSI را برای شناسایی تفاوت‌های میکروبیوم میان گروه‌های مختلف در آزمایش‌هایمان آغاز کرده‌ایم. این ابزار همچنین رایگان است و پژوهشگران دیگر می‌توانند از طریق پایگاه Bioconductor به آن دسترسی داشته باشند. بنابراین، می‌خواهیم ببینیم آزمایشگاه‌های دیگر چگونه از آن استفاده می‌کنند و بر اساس یافته‌هایشان به بهبود آن ادامه دهیم.
Tech Briefs: برای پژوهشگرانی که می‌خواهند ایده‌هایشان را به نتیجه برسانند، چه توصیه‌ای دارید؟
برسِت: روی مسئله‌ای تمرکز کنید که حل کردنش ارزش داشته باشد، راه‌حلی معنادار توسعه دهید و پیش از استفاده گسترده، آن را به‌دقت آزمایش کنید. همچنین، نتایج کارتان را در دسترس دیگران قرار دهید تا بتوانند از آن استفاده کنند. آن‌ها ممکن است نکاتی را پیدا کنند که خودتان هرگز به آن‌ها فکر نکرده‌اید.
Tech Briefs: نکته دیگری هست که بخواهید اضافه کنید؟
برسِت: می‌خواهم بر اهمیت توضیح‌پذیری تأکید کنم. صرفاً دانستن اینکه میکروبیوم دو گروه از افراد با یکدیگر تفاوت دارد، کافی نیست؛ پژوهشگران باید بدانند کدام باکتری‌ها عامل این تفاوت هستند. درک آنچه واقعاً در میکروبیوم رخ می‌دهد، زمینه‌ساز کشفیات جدید خواهد بود و MeLSI دقیقاً برای کمک به همین هدف طراحی شده است. همچنین، از همکارانم در نگارش مقاله و دانشگاه میزوری بابت حمایتشان بسیار سپاسگزارم.