مدل هوش مصنوعی چطور تشخیص بیماری را آسانتر می کند

بنابراین سیستم دفاعی ایمنی دقیق‌ترین سیستم ثبت اطلاعات در نوع خود است که تاریخچه‌ای از تمام عوامل بیماری زا را که یک فرد با آن روبرو بوده را به همراه دارد. پیشتر بدست آوردن این اطلاعات از نمونه‌های بیمار دشوار بوده است.

سیستم ایمنی یادگیری را می‌توان تقریباً به دو قسمت تقسیم کرد که سلول‌های/لنفوسیت B مسئول تولید آنتی بادی علیه عوامل بیماری زا هستند در حالی که سلول‌های T مسئول از بین بردن اهداف آنها هستند. اندازه‌گیری آنتی‌بادی‌ها با روش‌های سنتی آزمایشگاهی نسبتاً ساده است، به همین دلیل است که آنتی بادی‌ها در بهداشت و درمان چندین کاربرد دارند.

“ساتو موجوکی”(Satu Mustjoki) استاد خون شناسی گفت: اگرچه شناخته شده است که نقش سلول‌های T در پاسخ دفاعی در برابر ویروس‌ها و سرطان‌ها ضروری است اما شناسایی اهداف سلول‌های T با وجود تحقیقات گسترده دشوار است.

سلول‌های T اهداف خود را در یک کلید و یک قفل شناسایی می‌کنند به این معنا که کلید، گیرنده سلول T در سطح سلول T است و کلید پروتئین ارائه شده در سطح سلول آلوده است. تخمین زده می‌شود که یک فرد کلیدهای سلول T متفاوت‌تری نسبت به ستاره‌های موجود در کهکشان راه شیری داشته باشد و این باعث می‌شود نقشه برداری از اهداف سلول T با تکنیک‌های آزمایشگاهی سخت باشد.

بنابراین محققان دانشگاه آلتو و دانشگاه هلسینکی فرایند قفل کلید را که قبلاً بررسی شده بود را مورد مطالعه قرار دادند و توانستند یک مدل هوش مصنوعی ایجاد کنند که می‌تواند اهداف سلول‌های T قبلاً نقشه‌برداری نشده را پیش‌بینی کند.

“امی جوکینن”(Emmi Jokinen) دانشجوی مقطع دکترا دانشگاه آلتو گفت: مدل هوش مصنوعی که ایجاد کردیم انعطاف‌پذیر است و برای هر پاتوژن احتمالی قابل استفاده است. به عنوان مثال ما به سرعت توانستیم از مدل خود در برابر کروناویروس سندرم حاد تنفسی ۲ استفاده کنیم. نتایج مطالعه به ما کمک می‌کند تا درک کنیم که چگونه یک سلول T از قسمت‌های مختلف کلید خود برای شناسایی قفل‌های خود استفاده می‌کند.

محققان بررسی کردند که کدام سلول‌های T ویروس‌های رایج مانند ویروس آنفلوانزا و هپاتیت B را تشخیص می‌دهند. محققان همچنین از ابزار خود برای تجزیه و تحلیل نقش سلول‌های T در تشخیص هپاتیت B استفاده کردند. محققان اظهار کردند با استفاده از این ابزار می‌توانند آزمایشات خود را دقیق‌تر انجام دهند.

یافته‌های این مطالعه در مجله “PLOS Computational Biology” منتشر شده است.