یادگیری ماشین در بیوچیپ به طبقه‌‌‌بندی انواع سلول‌‌‌های سرطان پستان کمک می‌‌‌کند

محققان در حال مطالعه و پژوهش روی زیست‌‌تراشه‌‌‌‌ای‌‌‌اند که از فناوری یادگیری ماشین برای طبقه‌بندی دقیق انواع سلول‌های سرطانی بهره می‌‌‌برد. یادگیری ماشین در بیوچیپ می‌‌‌تواند پاسخ درمانی بهتری به انواع سرطان‌‌‌های پستان را برای انسان‌‌‌ها میسر کند.
بیوچیپ یا زیست‌تراشه شبیه به آزمایشگاه بسیار کوچکی است که می‌‌‌تواند هزاران واکنش بیوشیمیایی را به صورت همزمان انجام دهد. انواع بیوچیپ‌‌‌ها برای مقاصد گوناگونی استفاده می‌‌‌شوند؛ از ترمیم آسیب‌‌‌ها و بازگردانی سلامتی گرفته تا آنالیزهای بیولوژیک را می‌‌‌توان با بیوچیپ‌‌‌ها انجام داد.
بر اساس مطالعه‌‌‌‌ای که در Advanced Biosystems منتشر شده است، یک بیوچیپ یا زیست‌‌‌تراشه جدید قادر است با استفاده از فناوری یادگیری ماشینی، بین سلول‌‌‌های سرطانی و بافت‌‌‌های سالم در سطح تک سلولی با دقت بالا تمایز قائل شود.
محققان خاطرنشان کردند، به دلیل ماهیت ناهمگن انواع سرطان‌‌ها، بیماران مقاومت‌‌‌های متفاوتی در برابر درمان‌‌‌ها را تجربه می‌‌‌کنند و افراد مختلف می‌‌‌توانند واکنش‌‌‌های مختلفی نسبت به درمان‌‌‌های مشابه داشته باشند.
کوشال جوشی، دانشجوی سابق دوره تحصیلات تکمیلی مهندسی پزشکی در دانشگاه کالیفرنیا ایروین در این‌‌‌باره می‌‌‌گوید: «ناهمگنی سلول‌‌‌های سرطانی و ناهمگنی تومورها می‌‌‌تواند منجر به افزایش مقاومت درمانی و نتایج ناسازگار شود.»
برای تشخیص و ارزیابی بهتر انواع سرطان، تجزیه و تحلیل تک سلولی امری حیاتی است، اما انجام روش‌‌‌های سنتی برای دستیابی به این نتیجه دشوار است.
رحیم اسفندیارپور، مهندس ارشد برق و علوم کامپیوتر و همچنین مهندس زیست پزشکی، در این‌باره می‌‌‌گوید: «تجزیه و تحلیل تک سلولی برای شناسایی و طبقه‌‌‌بندی انواع سرطان و مطالعه ناهمگنی سلولی برای شناسایی سلول‌‌‌های سرطانی، امری ضروری است. برای طراحی داروهای بهتر برای درمان سرطان، لازم است که همه مراحل شروع تومور، پیشرفت و متاستاز را درک کنیم.»

فناوری یادگیری ماشین در بیوچیپ چطور عمل می کند؟

بیشتر تکنیک‌‌‌ها و فناوری‌‌‌هایی که به طور سنتی برای مطالعه سرطان استفاده می‌‌‌شود، پیچیده، پرحجم و گران‌‌‌اند و به اپراتورهای بسیار آموزش دیده و زمان طولانی آماده‌‌‌سازی نیاز دارند.
برای غلبه بر این چالش‌‌‌ها، محققان دانشگاه کالیفرنیا ایروین تکنیک‌‌‌های یادگیری ماشین را با استفاده از فناوری چاپ جوهر افشان و میکروفلوئیدها برای توسعه بیوشیمی‌‌‌های مینیاتوری با هزینه کم، تولید می‌‌‌کنند که نمونه اولیه آن آسان است و می‌‌‌تواند انواع مختلف سلول را طبقه‌‌‌بندی کند.
در بیوچیپ، نمونه‌‌‌ها از طریق کانال‌های ریزسیال‌شناسی میکروفلوئیدیک با الکترودهایی که با دقت قرار گرفته‌اند، حرکت می‌‌‌کنند. طی این حرکت، تفاوت در خصوصیات الکتریکی سلول‌‌‌های بیمار در مقابل سلول‌‌‌های سالم در یک عبور توسط این بیوچیپ کنترل می‌‌‌شود. این تیم درصدد ساخت روشی برای تولید نمونه اولیه از قسمت‌‌‌های اصلی زیست‌تراشه است که با چاپگر جوهرافشان در حدود ۲۰ دقیقه زمان می‌‌‌برد و امکان ساخت آسان در محیط‌‌‌های مختلف را فراهم می‌‌‌کند. بیشتر مواد درگیر در این فرایند، در صورت ارزان بودن قابل استفاده مجدد یا یکبار مصرف‌‌اند.
فناوری یادگیری ماشین در بیوچیپ مقدار زیادی از داده‌‌‌های ریزسیستم‌‌‌ها را مدیریت می کند. الگوریتم‌‌‌های این زیست‌‌تراشه، پردازش و تجزیه و تحلیل مجموعه‌‌‌های کلان داده را تسریع می‌‌‌کنند و به تصمیم‌‌‌گیری سریع و موثر کمک می‌‌‌کنند.
محققان با گنجاندن یادگیری ماشین در بیوچیپ و توسعه آن، دقت تجزیه و تحلیل‌‌‌ها را بهبود بخشیده‌‌‌اند و وابستگی به تحلیل‌‌‌گران ماهر را کاهش داده‌‌‌‌اند. این فناوری همچنین می‌‌‌تواند برای محققان کشورهای در حال توسعه نیز جذاب باشد.

اسفندیارپور اضافه می‌‌‌کند: «سازمان بهداشت جهانی می‌‌‌گوید تقریباً ۶۰ درصد مرگ‌ومیر ناشی از سرطان پستان به دلیل کمبود برنامه‌‌‌های تشخیص زودهنگام در کشورهایی با منابع ناچیز اتفاق می‌‌‌افتد.»
«کار ما کاربردهای بالقوه‌‌‌‌ای در مطالعات تک سلولی، مطالعات ناهمگنی تومور و شاید در تشخیص سرطان و مراقبت‌های پیشگیرانه سرطان پستان دارد. به ویژه در کشورهای درحال‌توسعه که هزینه، زیرساخت‌‌‌های محدود و دسترسی محدود به فناوری‌‌‌های پزشکی از بیشترین اهمیت برخوردار است.»
ابزارهای تجزیه و تحلیل داده‌‌‌ها نقش فزاینده‌‌‌‌ای در بهبود درمان و تشخیص سرطان داشته‌‌‌‌اند. مطالعه‌‌‌‌ای که اخیراً در مجله آمریکایی فیزیولوژی – سلول‌‌شناسی منتشر شد، نشان داد که یک روش تجزیه و تحلیل پیش‌بینی‌شده با دقت ۹۰ درصد قادر به تشخیص مرحله ۰ سرطان‌‌‌های پستان است که در روش‌‌‌های عادی احتمالاً پس از جراحی گسترش و عود می‌‌‌کند. دکتر هوارد پتی، استاد چشم پزشکی و علوم بینایی و میکروبیولوژی و ایمونولوژی در مرکز پزشکی دانشگاهی میشیگان در این زمینه می‌‌‌گوید: «کامپیوتر به دنبال الگوهایی در تصاویر است؛ از سطح پیکسل‌‌‌های منفرد تا کل تصویر یک میلیون پیکسلی که انسان‌‌‌ها به راحتی نمی‌‌‌توانند آن‎ها را تشخیص دهند».
این برنامه اکنون قادر به شناسایی بیماری تهاجمی و غیر تهاجمی در ۹۶ درصد مواقع است.
دکتر هوارد پتی همچنین می‌‌‌گوید: «اگر بررسی انسانی روی این تصاویر را هم در نظر بگیریم، در حدود ۷۰ درصد پاسخ درست دریافت خواهیم کرد. پس می‌توان گفت این موفقیت، دستاوردی بسیار چشمگیر است و ما به کار خود در زمینه کاهش سطح خطای برنامه ادامه خواهیم داد.»