هوش مصنوعی و کشف الگوهای واقعی در میکروبیوم

به گزارش پایگاه علمی خبری دانه، به نقل از سایت sciencedaily، دانشمندان با استفاده از هوش مصنوعی پیشرفته موفق شدند ارتباطات پنهان بین میکروب‌های روده و سلامت انسان را رمزگشایی کنند.
پژوهشگران دانشگاه توکیو با توسعه‌ی یک شبکه‌ی عصبی بیزین به نام VBayesMM توانستند از میان داده‌های عظیم میکروبیوم، ارتباطات واقعی و معنادار را تشخیص دهند و از اشتباه‌گرفتن همبستگی‌های تصادفی با روابط زیستی واقعی جلوگیری کنند. این مدل در پژوهش‌های مربوط به چاقی، اختلالات خواب و سرطان عملکردی بهتر از مدل‌های رایج نشان داده است.

رازها و پیچیدگی‌های دنیای میکروب‌های روده
میکروب‌های روده نقش مهمی در سلامت انسان ایفا می‌کنند؛ از هضم و سوخت‌وساز گرفته تا ایمنی بدن و حتی خلق‌وخو.
اما درک میکروبیوم بسیار دشوار است، زیرا:

• در بدن انسان حدود ۳۰ تا ۴۰ تریلیون سلول انسانی وجود دارد،
• اما فقط در روده‌ها حدود ۱۰۰ تریلیون باکتری زندگی می‌کنند.

این باکتری‌ها هزاران مولکول کوچک به نام متابولیت تولید یا تغییر می‌دهند؛ ترکیباتی که همچون پیام‌رسان‌های شیمیایی در بدن حرکت کرده و بر عملکردهای مختلف اثر می‌گذارند.
شناخت اینکه کدام باکتری چه متابولیتی تولید می‌کند می‌تواند راه‌های جدیدی برای درمان‌های شخصی‌سازی‌شده فراهم کند.

پروژه‌ای برای رمزگشایی سیاره‌ی پنهان روده
«تونگ دِنگ»، پژوهشگر پروژه، توضیح می‌دهد:
«هنوز ابتدای مسیر فهم این هستیم که کدام باکتری‌ها چه متابولیت‌هایی را تولید می‌کنند و این روابط در بیماری‌ها چگونه تغییر می‌کنند.»
هدف آن‌ها یافتن الگوهای واقعی از میان حجم عظیمی از داده‌ها بود.
اینجاست که هوش مصنوعی وارد میدان شد.

VBayesMM چه می‌کند؟

• با رویکرد بیزینی بررسی می‌کند کدام دسته‌ی باکتریایی واقعاً روی یک متابولیت خاص اثر دارد.
• میزان عدم‌قطعیت را نیز محاسبه می‌کند؛ بنابراین از نتیجه‌گیری‌های اشتباه و بیش‌ازحد مطمئن جلوگیری می‌شود.
• در آزمایش روی داده‌های واقعی انسانی، بهتر از مدل‌های معمول عمل کرد و باکتری‌هایی را شناسایی کرد که با فرآیندهای زیستی شناخته‌شده همخوانی داشتند.

مزایا و محدودیت‌ها
مزیت مهم این روش: ارائه‌ی پاسخ‌های قابل‌اعتمادتر و جلوگیری از تفسیرهای غلط.
اما:

• تحلیل داده‌های عظیم میکروبیوم هنوز هزینه‌بر و وقت‌گیر است.
• مدل زمانی بهتر کار می‌کند که داده‌های باکتریایی بسیار بیشتر از داده‌های متابولیتی باشد.
• باکتری‌ها در واقع با هم تعامل دارند، اما مدل آن‌ها را مستقل در نظر می‌گیرد.

دِنگ می‌گوید قصد دارند:
«مدل را برای داده‌های شیمیایی گسترده‌تر توسعه دهند، اطلاعات تکاملی باکتری‌ها را در مدل وارد کنند، و زمان پردازش را کاهش دهند.»