‍ 🔴 کشف سیگنال های سرطانی در مجموعه داده‌ های کوچک و پر نویز به کمک هوش مصنوعی الهام گرفته از کوانتوم

‼️یک تیم تحقیقاتی به رهبری دانشگاه یوتا، چارچوبی از هوش مصنوعی مبتنی بر مکانیک کوانتوم ارائه داده است که قادر به شناسایی و اعتبارسنجی پیش‌بینی‌کننده‌های جدید برای نوروبلاستوما (neuroblastoma)، نوعی سرطان نادر کودکان، از مجموعه‌داده‌های مولتی‌اومیکس (multiomic) کوچک، پرنویز و پیچیده است.

🔹 این روش که در مجله APL Quantum منتشر شده، از ریاضیات الهام‌گرفته‌شده از کوانتوم برای تحلیل الگوهای مرتبط در سه لایهٔ داده‌ی زیستی هم‌سان استفاده می‌کند: ژنوم تومور (tumor genome)، ژنوم خون (blood genome) و آران‌ای تومور (tumor RNA).

🔸در این رویکرد، داده‌ها به صورت تنسورهایی با ابعاد چندگانه مدل‌سازی می‌شوند که هر لایه نشان‌دهندهٔ یک نوع سنجش زیستی از بیماران مشترک است و با استفاده از تجزیه‌های طیفی (spectral decompositions) که ساختار اصلی داده را حفظ می‌کنند، الگوهای پایدار استخراج می‌گردند.

🔹 وجه تمایز کلیدی این چارچوب، رفتار شبه‌درهم‌تنیدگی (quantum entanglement-like) آن است: به این معنی که هر پیش‌بینی‌کننده به‌صورت هم‌زمان در هر سه لایهٔ داده ظاهر می‌شود و اندازه‌گیری در یک لایه، وضعیت لایه‌های دیگر را به‌طور تقریبی مشخص می‌کند.

🔸 این ویژگی، که با مفاهیم #برهم‌نهی و #درهم‌تنیدگی در ریاضیات کوانتوم همخوانی دارد، باعث می‌شود مدل نهایی تقریباً یکتا و پایدار باشد و تفسیرپذیری زیستی آن افزایش یابد. پژوهشگران با استفاده از داده‌های پروژه TARGET شامل ۱۰۱ بیمار مبتلا به نوروبلاستوما و بیش از ۲٫۸ میلیون ویژگی ژنومی در هر لایه، دو پیش‌بینی‌کنندهٔ جدید از ژنوم تومور استخراج کردند که به‌طور معنی‌داری با بقای کلی (overall survival) بیماران مرتبط بودند و در آزمون‌های اعتبارسنجی روی ۴۱۹ بیمار دیگر، این ارتباط تکرار شد.

❗️در مقایسه با شاخص استاندارد بالینی یعنی تقویت ژن MYCN، ترکیب این دو پیش‌بینی‌کننده در تفکیک بیماران پرخطر از کم‌خطر عملکرد بهتری نشان داد و این برتری در هر سه لایهٔ داده (تومور، خون و RNA) مشهود بود.

🔸 با این حال، پژوهشگران تأکید می‌کنند که این یافته‌ها هنوز در مرحلهٔ اولیه قرار دارند و نیاز به اعتبارسنجی بالینی آینده‌نگر (prospective validation) و آزمایش‌های مستقل در مراکز و جمعیت‌های مختلف دارند.

🎖با وجود این، این چارچوب ریاضیاتی که دقیق و حفظ‌کنندهٔ ساختار داده است، راهکاری امیدوارکننده برای استخراج سیگنال‌های پزشکی قابل‌اطمینان از مجموعه‌داده‌هایی با تعداد نمونه کم ولی ابعاد بسیار بالا ارائه می‌دهد، که وضعیتی رایج در پزشکی دقیق (precision medicine) و به‌ویژه برای سرطان‌های نادر محسوب می‌شود.

📎لینک خبر
🟰🟰🟰🟰🟰🟰🟰🟰🟰🟰
🟢join: @QuantumTEQ
🌐Website
🔵LinkedIn

#اخبار #هوش_مصنوعی #ریاضیات_کوانتومی