شناسایی نشانه‌های سمیت با ترکیب یادگیری ماشین و داده‌های چنداُمیکی
گیاه دارویی Evodia rutaecarpa که میوه آن از دیرباز در طب سنتی چین برای گرم کردن درون بدن، رفع سردی و تسکین درد به کار می‌رود، جایگاه ویژه‌ای در داروشناسی مدرن دارد. این گیاه در گروه گیاهان دارویی با سمیت پایین طبقه‌بندی می‌شود؛ بااین‌حال، تجربه بالینی نشان می‌دهد که برخی بیماران هنگام مصرف فرآورده‌های ترکیبی حاوی آن دچار واکنش‌های ناخواسته می‌شوند. این واکنش‌ها اغلب خفیف، در افراد مختلف متفاوت و به‌راحتی قابل چشم‌پوشی هستند. اکنون پژوهشی جدید که در مجله Frontiers in Pharmacology منتشر شده است، با ترکیب متابولومیک غیرهدفمند، توالی‌یابی میکروبیوم دهان و مجموعه‌ای از الگوریتم‌های یادگیری ماشین، الگوهای زیستی این واکنش‌ها را در بیماران واقعی بررسی کرده و فرمولی کمّی برای برآورد احتمال بروز آن‌ها در هر فرد ارائه داده است.
تیم پژوهشی ۸۶ بیمار مبتلا به بیماری‌های معده را که فرآورده‌های ترکیبی گیاهی حاوی Evodia rutaecarpa دریافت می‌کردند، وارد مطالعه کرد. بر اساس بروز یا عدم بروز واکنش‌های ناخواسته در طول درمان، بیماران به دو گروه تقسیم شدند: گروه شاهد شامل ۵۰ نفر و گروه دارای واکنش ناخواسته شامل ۳۶ نفر. از هر شرکت‌کننده سه نوع نمونه زیستی، شامل سرم خون، ادرار و بزاق، جمع‌آوری شد. پژوهشگران با استفاده از متابولومیک غیرهدفمند، ترکیبات موجود در سرم و ادرار را بررسی کردند و برای شناسایی جامعه باکتریایی دهان، نمونه‌های بزاق را تحت توالی‌یابی ژن 16S rRNA قرار دادند. این طراحی به محققان امکان داد نشانه‌های احتمالی سمیت را به‌طور هم‌زمان در دو بُعد شیمیایی و میکروبی جست‌وجو کنند، نه اینکه تنها به یک نوع اندازه‌گیری متکی باشند.
از نظر بالینی، بخش عمده واکنش‌های مشاهده‌شده به دستگاه گوارش مربوط بود. عوارض مرتبط با Evodia rutaecarpa عمدتاً به شکل علائم بخش فوقانی دستگاه گوارش بروز کردند؛ الگویی که با توانایی شناخته‌شده این گیاه در تحریک سطوح مخاطی سازگار است. بااین‌حال، داده‌های اُمیکی نشان دادند که تغییرات زیستی به دستگاه گوارش محدود نمی‌شوند. در بیماران گروه دارای واکنش ناخواسته، اختلالاتی در متابولیسم اسیدهای آمینه مشاهده شد که می‌تواند نشان‌دهنده تغییرات سیستمیک در نحوه پردازش نیتروژن و اجزای سازنده پروتئین‌ها باشد. همچنین، الگوهای مولکول‌های فعال بر دستگاه عصبی در این بیماران تغییر کرده بود؛ یافته‌ای که احتمال تعامل آلکالوئیدهای زیست‌فعال این گیاه با مسیرهای مرتبط با انتقال‌دهنده‌های عصبی را در افراد مستعد مطرح می‌کند.
سومین نشانه سیستمیک به صفرا مربوط می‌شد. تحلیل متابولومیک، تغییراتی را در الگوهای مرتبط با ترشح صفرا در بیمارانی شناسایی کرد که واکنش‌های ناخواسته داشتند. این یافته احتمال اختلال در گردش روده‌ای‌ـ‌کبدی را مطرح می‌کند؛ چرخه‌ای که طی آن اسیدهای صفراوی میان کبد و روده جابه‌جا و بازیافت می‌شوند. اسیدهای صفراوی علاوه بر نقش خود در هضم چربی‌ها، مولکول‌های پیام‌رسانی هستند که در تنظیم یکپارچگی سد روده و التهاب نیز نقش دارند. بنابراین، این یافته می‌تواند سرنخی سازوکارشناختی برای توضیح ارتباط میان ترکیبات شیمیایی گیاه و علائم گوارشی غالب در بیماران فراهم کند. در کنار این تغییرات متابولیکی، داده‌های میکروبیوم بزاق نیز از دیس‌بیوز، یعنی برهم خوردن ترکیب جامعه باکتریایی دهان، حکایت داشتند. نویسندگان تأکید می‌کنند که این یافته در حال حاضر صرفاً یک روند همبستگی احتمالی است و نمی‌توان آن را نشانه‌ای از رابطه علت‌ومعلولی اثبات‌شده دانست.
پژوهشگران برای تبدیل این داده‌های پیچیده و چندبعدی به ابزاری کاربردی برای ارزیابی خطر، از هفت الگوریتم مختلف یادگیری ماشین، از جمله رگرسیون لجستیک، جنگل تصادفی و LightGBM، استفاده کردند. آن‌ها عملکرد مدل‌ها را با روش اعتبارسنجی متقاطعِ کنارگذاری تک‌نمونه‌ای ارزیابی کردند؛ روشی که در آن هر بار یک بیمار از فرایند آموزش کنار گذاشته می‌شود و مدل آموزش‌دیده با استفاده از داده‌های سایر بیماران، وضعیت او را پیش‌بینی می‌کند. الگوریتم‌ها هم برای ساخت مدل‌هایی به کار رفتند که بتوانند بیماران دارای واکنش ناخواسته را از گروه شاهد متمایز کنند و هم برای غربالگری مجموعه ویژگی‌ها و شناسایی متغیرهای مولکولی و میکروبی دارای بیشترین قدرت تفکیک. استفاده دوگانه از یادگیری ماشین، هم برای پیش‌بینی و هم برای انتخاب ویژگی‌ها، در فارماکوژنومیک رویکردی رو به گسترش است؛ زیرا به اولویت‌بندی نامزدهای مناسب برای اعتبارسنجی آزمایشگاهی کمک می‌کند.
فرایند غربالگری، چندین ویژگی طبقه‌بندی مرتبط با مدل‌ها را از مجموعه داده‌های چنداُمیکی شناسایی کرد. در سرم خون، سه متابولیت با روندهای آماری مرتبط با کاهش خروجی پیش‌بینی مدل برای عوارض ناخواسته همراه بودند: فسفولیپید PE (P-18:1/22:0)، هیدروکسی‌ایزوکاپروئیک اسید و اوریدوایزوبوتیریک اسید. در ادرار، ترکیبات 1,3-dihydro-(2H)-indol-2-one و مونوگلیسرید MG (0:0/20:4/0:0) با مقادیر پیش‌بینی پایین‌تر ارتباط داشتند؛ در مقابل، آراشیدویل اتانول‌آمید، یک لیپید از خانواده اندوکانابینوئیدها، با افزایش امتیاز پیش‌بینی مدل مرتبط بود. جهت این ارتباط‌ها اهمیت دارد: متابولیت‌هایی که پیش‌بینی را کاهش می‌دهند ممکن است نشانگر وضعیت‌های محافظتی یا حفظ تعادل زیستی باشند، درحالی‌که متابولیت‌های مرتبط با افزایش پیش‌بینی احتمال دارد آسیب‌پذیری در برابر اثرات سمی گیاه را نشان دهند.
ویژگی‌های میکروبی نیز به‌طور مشخص شناسایی شدند. فراوانی نسبی بیشتر چهار گروه باکتریایی در بزاق، شامل جنس‌های Granulicatella و Alysiella، گونه Leptotrichia hongkongensis و جنس Streptococcus، با احتمال پیش‌بینی‌شده بالاتر در مدل طبقه‌بندی ارتباط داشت. امروزه نقش باکتری‌های دهان در متابولیسم داروها بیش از پیش مورد توجه قرار گرفته است؛ این باکتری‌ها می‌توانند پیش از رسیدن مواد بیگانه به روده و کبد، ترکیبات آن‌ها را تغییر دهند. ازاین‌رو، شناسایی گونه‌ها و گروه‌های باکتریایی مشخص به‌عنوان نشانگرهای خطر این احتمال را مطرح می‌کند که تفاوت‌های فردی در فعالیت شیمیایی میکروبیوم دهان، در تفاوت واکنش افراد به این گیاه نقش داشته باشند؛ تفاوت‌هایی که ارزیابی دقیق ایمنی Evodia rutaecarpa را همواره دشوار کرده‌اند.
اوج این تحلیل، ارائه یک فرمول ترکیبی چنداُمیکی با وزن‌دهی بر اساس AUC است؛ معادله‌ای واحد که ویژگی‌های متمایزکننده استخراج‌شده از سرم، ادرار و بزاق را با یکدیگر ترکیب می‌کند و سهم هر ویژگی را بر اساس عملکرد پیش‌بینی مدل انتخاب‌کننده آن تعیین می‌کند. سطح زیر منحنی مشخصه عملکرد گیرنده، یا AUC، نشان می‌دهد که یک طبقه‌بند تا چه اندازه می‌تواند موارد مثبت واقعی را از موارد منفی واقعی در آستانه‌های تصمیم‌گیری مختلف تفکیک کند. بنابراین، وزن‌دهی بر اساس AUC باعث می‌شود مدل‌هایی که عملکرد بهتری دارند، سهم بیشتری در امتیاز نهایی داشته باشند. این فرمول در صورت استفاده برای یک بیمار جدید، امتیازی پیوسته تولید می‌کند: مقادیر مساوی یا بیشتر از ۰٫۵۹۷ نشان‌دهنده احتمال پیش‌بینی‌شده بالاتر برای بروز واکنش ناخواسته هستند، درحالی‌که مقادیر کمتر از این آستانه به احتمال پیش‌بینی‌شده پایین‌تر اشاره دارند.
این پژوهش در مجموع ده ویژگی متمایزکننده استخراج‌شده از داده‌های اُمیکی را شناسایی و در قالب فرمول پیش‌بینی ترکیبی گردآوری کرده است تا امکان برآورد کمّی خطر واکنش‌های ناخواسته مرتبط با Evodia rutaecarpa در سطح فردی فراهم شود. نویسندگان این روش را چارچوبی مقدماتی برای ارجاع و پژوهش‌های بعدی می‌دانند، نه یک قاعده نهایی برای تصمیم‌گیری بالینی. همچنین، از آنجا که روندهای مشاهده‌شده در داده‌های اُمیکی ماهیت همبستگی دارند، سازوکارهای زیربنایی آن‌ها همچنان باید از طریق آزمایش‌های بیشتر تأیید شوند. با وجود این محدودیت‌ها، مطالعه مسیری عملی از نمونه‌های زیستی بیماران تا تولید یک امتیاز شخصی‌سازی‌شده برای ارزیابی ایمنی ارائه می‌کند؛ امکانی که تاکنون در ارزیابی ایمنی داروهای سنتی چینی تا حد زیادی غایب بوده است.
اهمیت گسترده‌تر این رویکرد به کاربرد احتمالی آن برای سایر درمان‌های گیاهی با سمیت پایین بازمی‌گردد. میلیون‌ها نفر از گیاهانی مانند Evodia rutaecarpa استفاده می‌کنند، اما واکنش‌های ناخواسته آن‌ها اغلب دست‌کم گرفته می‌شود؛ به‌ویژه به این دلیل که این واکنش‌ها ممکن است خفیف، با تأخیر و در افراد مختلف متفاوت باشند. این مطالعه نشان می‌دهد که ترکیب متابولومیک، توالی‌یابی میکروبیوم و یادگیری ماشین می‌تواند با استفاده از نمونه‌های زیستی غیرتهاجمی مانند ادرار و بزاق، به دسته‌بندی خطر در سطح فردی کمک کند. این روش الگویی برای ارزیابی ایمنی، طبقه‌بندی خطر و استفاده شخصی‌سازی‌شده از طیف گسترده‌تری از داروهای سنتی چینی با سمیت پایین فراهم می‌آورد. اگر نتایج در گروه‌های بزرگ‌تر و متنوع‌تر از بیماران تأیید شوند، این راهبرد می‌تواند پایش ایمنی داروهای گیاهی را از گزارش واکنشی موارد عارضه به سمت پیش‌بینی فعال مبتنی بر شواهد زیستی سوق دهد.
موضوع پژوهش: تحلیل چنداُمیکی و یادگیری ماشین برای بررسی سمیت ناشی از واکنش‌های ناخواسته به گیاه دارویی سنتی چینی Evodia rutaecarpa.
عنوان مقاله: چنداُمیک و یادگیری ماشین مبتنی بر نمونه‌های بالینی: شناسایی ویژگی‌های سمیت در واکنش‌های ناخواسته به Evodia rutaecarpa.
مشخصات مقاله: Tan, X., Xie, J., Guo, X., Wu, L., Shi, S., Fu, L., Zhang, W., Zeng, L., Ma, X., Zeng, J., & Zhao, Y. (2026). Multi-omics and machine learning based on clinical samples: revealing the toxicity characteristics in adverse reactions to Evodia rutaecarpa. Frontiers in Pharmacology, 17، مقاله 1901889. https://doi.org/10.3389/fphar.2026.1901889
شناسه دیجیتال مقاله (DOI): 10.3389/fphar.2026.1901889
کلیدواژه‌ها: Evodia rutaecarpa، چنداُمیک، یادگیری ماشین، متابولومیک، توالی‌یابی 16S rRNA، واکنش‌های ناخواسته دارویی، طب سنتی چین، ایمنی دارو، پیش‌بینی خطر، پزشکی شخصی‌سازی‌شده، میکروبیوتای دهان، داروشناسی.