توسعه ماژول هوش مصنوعی برای تشخیص زودهنگام سرطان های ارثی از روی توالی ژنوم کامل (WGS)

پیش بینی به موقع خطر ابتلاء به سرطان های ارثی می تواند نقش تعیین کننده ای در پیشگیری، پایش و تصمیم گیری بالینی داشته باشد. در این مطالعه، یک ماژول هوش مصنوعی مبتنی بر یادگیری عمیق برای تحلیل توالی ژنوم کامل (WGS) و شناسایی جهش ها و الگوهای ژنتیکی مرتبط با افزایش ریسک سرطان های ارثی توسعه داده شد. هدف اصلی طراحی یک چارچوب خودکار و مقیاس پذیر بود که بتواند از میان میلیون ها واریانت ژنتیکی، مجموعه ای از واریانت های پرخطر و ترکیب های هم بستگی ژنی-ژنی را با دقت بالا غربال کند. در روش کار از یک پایپ لاین چندمرحله ای شامل پیش پردازش و فیلترینگ واریانت ها، صفت گذاری و آنوتیشن با اطلاعات پایگاه های مرجع بالینی و جمعیتی، استخراج ویژگی های توالی محور و ساختاری، و آموزش مدل های ترکیبی شامل ترنسفورمرهای توالی محور و شبکه های عصبی عمیق همراه با الگوریتم های تقویت کننده ویژگی برای انتخاب مهم ترین صفات استفاده شد. برای تبیین تصمیمات مدل از روش های قابل توضیح مانند SHAP بهره گرفته شد تا قابلیت اعتماد بالینی و قابلیت تفسیر برای ژنتیست ها فراهم شود. مدل روی مجموعه های داده باز و کلینیکی شامل نمونه های دارای تشخیص سرطان ارثی و کنترل های سالم آموزش و با شاخص هایی مانند AUC، حساسیت، ویژگی و دقت ارزیابی گردید. نتایج اولیه نشان دهنده افزایش حساسیت در شناسایی واریانت های مرتبط با سرطان نسبت به روش های سنتی بود و قابلیت تبیین مکانیزم های زیستی مرتبط با هر پیش بینی فراهم شد. این ماژول به عنوان افزونه ای سازگار با پلتفرم پیشگیری قبلی طراحی شده و می تواند در مسیر غربالگری ژنتیکی، تصمیم گیری درمانی و مطالعه جمعیتی مورد استفاده قرار گیرد. ملاحظات اخلاقی، حفاظت از داده ها و نیاز به اعتبارسنجی پیش رونده در محیط بالینی نیز در طراحی لحاظ شده اند و این کار می تواند گامی مهم به سوی تشخیص زودهنگام و پزشکی دقیق در سرطان های ارثی باشد.

Keywords:

Hereditary Cancer , Artificial Intelligence , Whole Genome Sequencing , Deep Learning , Variant Annotation , Precision Oncology