مهندسان در حال توسعه یک روش یادگیری ماشینی برای درک تغییرات تومورها پس از ایمونوتراپی هستند.

با ترکیب نگاشت دقیق ترکیب بیوشیمیایی تومورها با یادگیری ماشینی ، مهندسان دانشگاه جان هاپکینز اولین کاوشگر نوری غیرتهاجمی را برای درک تغییرات پیچیده تومورها پس از ایمونوتراپی ایجاد کردند.

ایشان بارمن ، استاد دانشکده مهندسی مکانیک جان جان هاپکینز و نویسنده این مطالعه ، در بیانیه مطبوعاتی گفت: "ایمونوتراپی واقعا مانند جادو عمل می کند و دیدگاه ما را در مورد نحوه مدیریت سرطان اساساً تغییر داده است.با این حال ، تنها حدود 25 درصد از بیماران از آن سود می برند ، بنابراین نیاز مبرم به شناسایی نشانگرهای زیستی پیش بینی کننده برای تعیین افرادی است که باید تحت درمان قرار گیرند."

در این مطالعه ، از تکنیکی به نام طیف سنجی رامان استفاده شد. با استفاده از این روش ، که از نور برای شناسایی ترکیب مولکولی مواد استفاده می کند ، تیم تحقیقاتی تومورهای سرطان روده بزرگ را در موش هایی که با دو نوع مهارکننده بازرسی ایمنی مورد استفاده در ایمونوتراپی تحت درمان قرار گرفتند ، مورد بررسی قرار دادند.

به گفته پائیدی ، یکی از مزایای طیف سنجی Raman این است که ویژگی مولکولی بسیار خوبی را تولید می کند.

علاوه بر این ، این روش برای کشف تغییرات ترکیبی ریز محیط تومور مناسب است.

برای آموزش الگوریتم در شناسایی طیف وسیعی از ویژگی های ناشی از ایمونوتراپی ، تیم تحقیق از حدود 7500 نقطه داده طیفی از 25 تومور استفاده کرد. برای ساخت و آزمایش روش یادگیری ماشین ، این تیم از داده های موش های مختلف استفاده کردند.

هدف این بود که از تغییرات بیولوژیکی الگوریتم در مواجهه با داده های جدید تقلید شود.

به گفته این تیم ، آزمایشات نتایج مثبتی به همراه داشت. تفاوتها ظریف اما از نظر آماری معنی دار و با تجزیه پروتئومیکس انجام شده بر روی نمونه ها سازگار بود.

در حالی که تحقیقات بیشتری لازم است ، تیم تحقیق نشان داد که کار آنها می تواند راه را برای توسعه روش تجزیه و تحلیل پیش بینی برای تعیین نحوه پاسخ بیمار به ایمونوتراپی هموار کند.

پایدی گفت: "همراه با یادگیری ماشین ، طیف سنجی رامان می تواند روشهای بالینی را برای پیش بینی پاسخ درمانی تغییر دهد."

201000727.001