از نشانگرهای زیستی میتوان برای شناسایی موارد زیر استفاده کرد:
- وجود یک بیماری در سریعترین زمان ممکن – نشانگر بیولوژیکی
- خطر گسترش بیماری مریض – نشانگر زیستی خطر
- پیشرفت احتمالی یک بیماری – نشانگر پیشبینی کننده
- این که آیا بیمار به یک داروی بیولوژیکی پیشبینی کننده پاسخ خواهد داد
شخصیسازی درمان
بیماران مختلف به داروها و برنامههای درمانی پاسخ متفاوت میدهند. بنابراین شخصیسازی درمان پتانسیل عظیمی برای افزایش طول عمر بیماران دارد. اما تشخیص اینکه چه عواملی باید در انتخاب درمان تأثیر بگذارند، بسیار سخت است.
یادگیری ماشین میتواند این کار پیچیده آماری را بهطور خودکار انجام دهد – و به کشف اینکه کدام ویژگیها نشاندهنده پاسخ بخصوص بیمار به یک درمان خاص هستند، کمک میکند. بنابراین الگوریتم میتواند پاسخ احتمالی یک بیمار را به یک درمان خاص پیشبینی کند. سیستم با مراجعه به بیماران مشابه و مقایسه درمانها و نتایج آنها، این کار را یاد میگیرد. پیشبینیهای منجر به خروجی کار طراحی برنامه درمانیِ صحیح را برای پزشکان خیلی آسانتر میکنند.
بهبود ویرایش ژن
CRISPR[1] مخصوصاً سیستم CRISPR – Cas9 برای ویرایش ژن، یک جهش بزرگ در توانایی ما برای تغییر مؤثر هزینههای DNA است و این دقیقاً همانند کار یک جراح است. این تکنیک برای هدف قراردادن و ویرایش یک مکان خاص روی DNA به RNA های راهنمای کوتاه[۲] (sgRNA) متکی است. اما RNA راهنما میتواند برای چندین مکان مختلف در DNA مناسب باشد و این موضوع میتواند منجر به عوارض جانبی ناخواسته (اثرات خارج از هدف) شود. انتخاب دقیق RNA راهنما با کمترین عوارض جانبی، تنگنای اصلی در استفاده از سیستم CRISPR است. ثابت شده است که مدلهای یادگیری ماشین بهترین نتیجه را به دست میآورند وقتی میتوان پیشبینی میزان تعامل راهنمای هدف و اثرات خارج از هدف برای یک sgRNA مشخص را انجام داد. این موضوع میتواند بهطور قابلتوجهی توسعه RNA راهنما برای هر منطقه از DNA انسان را سرعت بخشد.
خلاصه
هوش مصنوعی در حال حاضر به ما کمک میکند تا بیماریها را بهتر تشخیص دهیم، داروها را تولید کنیم، درمان را شخصیسازی کنیم و حتی ژن را ویرایش کنیم. اما این فقط آغاز کار است. هرچه دادههای پزشکی خود را دیجیتالی و یکی کنیم، بیشتر میتوانیم از هوش مصنوعی استفاده کنیم تا به ما در یافتن الگوهای ارزشمند کمک کند – الگویی که میتوانیم برای تصمیمگیری دقیق و مقرونبهصرفه در فرآیندهای پیچیده تحلیلی استفاده کنیم.
بخشهای دیگر مقاله را از لینکهای زیر بخوانید:
[۱] Clustered Regularly Interspaced Short Palindromic Repeats
[۲] Short Guide RNA
