مدل یادگیری ماشین HALO می‌تواند به پژوهشگران کمک کند ترکیب‌های امیدوارکننده داروهای ضدباکتری را زودتر شناسایی کنند؛ اما پیام مهم‌تر این پژوهش، هشدار درباره ارزیابی‌هایی است که توانایی هوش مصنوعی را بیش از واقعیت نشان می‌دهند.
گاهی برای مقابله با یک باکتری، یک دارو کافی نیست. ترکیب دو دارو ممکن است اثری قوی‌تر از آنچه از عملکرد جداگانه آن‌ها انتظار می‌رود ایجاد کند؛ پدیده‌ای که «هم‌افزایی دارویی» نام دارد. مشکل اینجاست که هر دو دارویی، زوج مناسبی نیستند. بعضی ترکیب‌ها حتی اثر یکدیگر را کاهش می‌دهند و پیدا کردن گزینه‌های مؤثر با آزمایش‌های پی‌درپی، زمان‌بر و پرهزینه است.
به گزارش Bioengineer، پژوهشی از هانیه یوسف‌آبادی و محیا مهرمحمدی که در نشریه PLOS Computational Biology معرفی شده، برای این مسئله سراغ یادگیری ماشین رفته است. چارچوب پیشنهادی آن‌ها با نام HALO تلاش می‌کند ترکیب‌های ارزشمند برای آزمایش را پیش‌بینی کند؛ آن هم با ارزیابی سخت‌گیرانه‌ای که اجازه نمی‌دهد مدل از اطلاعات آزمون برای یادگیری استفاده کند.
وقتی هوش مصنوعی سؤال امتحان را قبلاً دیده است
یکی از مشکلات مدل‌های پیش‌بینی دارویی، «نشت داده» است. تصور کنید دانش‌آموزی پیش از امتحان، بخشی از سؤال‌ها را دیده باشد؛ نمره بالای او لزوماً نشان‌دهنده توانایی حل مسئله‌های تازه نیست.
در مدل‌های دارویی نیز اتفاق مشابهی رخ می‌دهد: اگر اطلاعات مربوط به یک جفت دارو هم در داده‌های آموزش و هم در داده‌های آزمون حضور داشته باشد، نتیجه ممکن است بیش از حد خوش‌بینانه به نظر برسد. مدل به‌جای کشف قواعد قابل‌تعمیم، تا حدی از آشنایی قبلی خود با همان ترکیب استفاده می‌کند.
پژوهشگران برای کاهش این مشکل، جفت‌داروهای بخش آزمون را به‌طور کامل از آموزش کنار گذاشتند. انتخاب ویژگی‌های مدل نیز داخل فرایند آموزش هر بخش انجام شد تا اطلاعات آزمون به آن راه پیدا نکند.
HALO چه چیزهایی را بررسی می‌کند؟
این پژوهش از مجموعه‌ای شامل ۳۱۶۰ مورد برهم‌کنش جفت‌دارو در سویه‌های باکتریایی استفاده کرده است؛ داده‌هایی که ۹۷ ترکیب ضدباکتری و ۱۰ سویه باکتری را پوشش می‌دهند.
HALO صرفاً به شباهت ساختار شیمیایی داروها نگاه نمی‌کند. با استفاده از چارچوب Chemical Checker، اطلاعاتی از پنج سطح را کنار هم می‌گذارد: ساختار شیمیایی، اهداف پروتئینی، شبکه‌های زیستی، اثرات سلولی و فعالیت زیستی در سطح بالینی.
اهمیت این نگاه روشن است: دو دارو ممکن است از نظر ظاهر مولکولی متفاوت باشند، اما روی فرایندهای مرتبطی اثر بگذارند. همین ارتباط‌های کمتر آشکار می‌تواند برای پیش‌بینی نتیجه مصرف ترکیبی آن‌ها مفید باشد.
نتایج امیدوارکننده‌اند؛ نه مجوز تجویز
طبق گزارش، HALO در پیش‌بینی ترکیب‌های دیده‌نشده به ROC–AUC برابر با ۰٫۷۸ رسید. این شاخص توانایی مدل در تفکیک گروه‌ها را نشان می‌دهد و به معنی درست‌بودن ۷۸ درصد پیش‌بینی‌ها نیست.
در دو مجموعه‌داده مستقل نیز، برای تفکیک برهم‌کنش‌های هم‌افزا از برهم‌کنش‌های تضعیف‌کننده، مقادیر ۰٫۹۰ و ۰٫۷۱ گزارش شد. این اختلاف یادآوری می‌کند که عملکرد مدل به نوع داروها، سویه‌های باکتری و شرایط آزمایش وابسته است؛ موفقیت در یک مجموعه‌داده، تضمین موفقیت یکسان در همه موقعیت‌ها نیست.
کاربرد عملی HALO در حال حاضر، اولویت‌بندی آزمایش‌هاست، نه انتخاب درمان برای بیمار. آزمایشگاه‌ها می‌توانند از چنین مدلی برای محدودکردن فهرست ترکیب‌های قابل‌بررسی استفاده کنند. بااین‌حال، اثربخشی، ایمنی، دوز مناسب و احتمال تداخل دارویی همچنان به بررسی‌های مستقل نیاز دارند.
پیشرفت واقعی، شاید عدد کوچک‌تری داشته باشد
ارزش این پژوهش فقط در معرفی یک مدل تازه نیست؛ در تغییر معیار اعتماد به هوش مصنوعی است. مدلی با امتیاز متوسط اما آزمونی منصفانه، ممکن است برای پژوهشگر مفیدتر از مدلی باشد که روی کاغذ تقریباً بی‌نقص است، اما در مواجهه با ترکیب‌های تازه کم می‌آورد.
در نبرد با مقاومت آنتی‌بیوتیکی، هوش مصنوعی قرار نیست یک‌شبه جای آزمایشگاه را بگیرد. نقش واقع‌بینانه‌تر آن این است که کمک کند سؤال بعدی را بهتر انتخاب کنیم: از میان این همه ترکیب ممکن، کدام‌یک واقعاً ارزش آزمایش‌کردن دارد؟
مرجع: https://bioengineer.org/machine-learning-predicts-antibacterial-drug-synergy-without-data-leakage/
دیدگاه خود را بنویسید