سلسلة المستقبل
كيف يمكن لتحديد تسلسل الجينوم البشري والتعلم العميق (AI) إحداث ثورة في الرعاية الصحية المخصصة

النقاط الرئيسيةالتعلم العميق على بيانات الجينوم الوطني يمكن أن يوفر للنظام الطبي الأمريكي 26 مليار…
عرض المزيد
- التعلم العميق على بيانات الجينوم الوطني يمكن أن يوفر للنظام الطبي الأمريكي 26 مليار دولار سنويًا عبر التشخيص المبكر للسرطان.
- التعلم الموحد يسمح للذكاء الاصطناعي بتحليل البيانات الجينية للأمراض النادرة دون مشاركة معلومات تعريفية شخصية للمرضى.
- يضع تنوع السكان المهاجرين في كندا في موقع يمكنه من تجنب التحيز في الذكاء الاصطناعي والريادة في الرعاية الصحية الجينومية الشخصية.
كان تسلسل الجينوم البشري الأول مشروعًا عامًا ضخمًا كلف 2.7 مليار دولار واستغرق ما يقرب من 15 عامًا لاستكماله. انخفضت تكلفة تسلسل الجينوم البشري بشكل كبير. انخفضت التكلفة من $4000 في عام 2015 ، إلى أقل من 300 دولار اليوم.
تستهدف بعض الشركات الجينومية خفض التكلفة إلى أقل من 100 دولار. عند هذه الأسعار ، ينتقل السؤال إلى متى يكون إهمالًا عدم تسلسل الجينوم البشري؟
وجدت دراسة أن التشخيص المبكر للسرطان يمكن أن يوفر على النظام الطبي الأمريكي بمعدل 26 مليار دولار في السنة. بالمقارنة ، فإن تحديد تسلسل جينومات جميع الأمريكيين سيتطلب تكلفة تدفع مرة واحدة تبلغ 100 مليار دولار ، ويمكن أن تنخفض هذه التكلفة أكثر إذا تم تضمين اقتصاديات الحجم.
إلى جانب كشف الاستعدادات الوراثية للسرطان، يرتبط تحديد تسلسل الجينوم مباشرة بتحديد الأمراض المرتبطة بالاضطرابات الوراثية المتعددة ، مثل الوراثة أحادية الجين، والوراثة متعددة العوامل ، واضطرابات الكروموسومات ، والوراثة الميتوكوندرية.
الآن ، دعونا نتصور الفوائد للمجتمع إذا تم استخدام نوع فرعي من التعلم الآلي يسمى التعلم العميق لتحليل هذا الكنز من المعلومات الجينية.
مستوحى بصورة تقريبية من الشبكات العصبية في الدماغ ، التعلم العميق هو واحد من الأدوات الأكثر أهمية التي يعتمد عليها علماء البيانات. يقوم التعلم العميق بتحليل البيانات ويعتمد على التعرف على الأنماط لإنشاء نماذج متقدمة يمكنها تعلم الأنماط المعقدة وتعميم تلك الأنماط لتحديد نقاط البيانات. يمكن أن تكون تلك النقاط معقدة ، وأكثر البيانات التي يعمل بها نظام التعلم العميق ، وأكثر النتائج إثارة.
من خلال تزويد نظام التعلم العميق ببيانات مجموعة سكانية بأكملها ، يمكن لخوارزميات التعلم الآلي تحديد العلامات الحيوية المحتملة للسرطان أو الأمراض الأخرى. بالإضافة إلى ذلك ، يمكن للنظام أن يغوص عميقًا في الأشجار العائلية الجينية لتحديد الجينات المسؤولة عن سمات أو أمراض معينة.
ليس هذا ثوريًا بالنسبة إلى العاملين في الذكاء الاصطناعي ، المشكلة هي اعتمادنا على الحكومات القديمة التي تعتمد على تكنولوجيا تعود إلى عقود مضت ، والتي غالبًا ما تستخدم أجهزة الفاكس لإرسال بيانات المرضى ذهابًا وعودة. إنه وقت تحديث هذا النظام القديم.
الآن ، تخيل أنك تذهب إلى طبيبك ، ويمكنه الوصول إلى جينومك على الفور ، وإدخال أعراضك الأخيرة إلى الكمبيوتر لاسترجاع نتائج الذكاء الاصطناعي على الفور مع خيارات علاجية موصى بها. مع الأجهزة القابلة للارتداء التي تتبع بيانات الصحة في الوقت الفعلي ، قد لا يكون زيارة الطبيب ضرورية.
أفضل حل سيكون تدريب الموظفين الصحيين على الاستشارة الجينية ، وهو عملية التحقيق في الأفراد وأنسالهم الذين يتأثرون أو يتعرضون لخطر الاضطرابات الجينية. الخطوة الأكثر أهمية في الاستشارة الجينية هي توصية خيارات العلاج المثلى بناءً على ملف الجينوم الفرد.
منافع أخرى هي استهداف الأمراض النادرة المهملة ، يُعرَّف المرض النادر على أنه حالة صحية تؤثر على عدد صغير من الناس بالمقارنة مع الأمراض الشائعة التي تؤثر على السكان بشكل عام. غالبًا ما تكون هذه الأمراض النادرة باهظة الثمن للاستهداف بالطريقة التقليدية.
يمكن لنظام التعلم العميق أن يقارن مجموعات البيانات (الملفات الجينية) لتحديد العوامل الجينية السابقة المحتملة لهذه الأمراض النادرة. تؤثر الأمراض النادرة وحدها على 30 مليون أمريكي وتكلف النظام الطبي الأمريكي 1 تريليون دولار في السنة.
يمكن أن يكون أحد الحجج الصحيحة ضد ما سبق هو فقدان خصوصية المستخدم المحتمل. يمكن أن تتم معالجة هذه المخاوف باستخدام نوع متقدم من التعلم الآلي يسمى التعلم الفيدرالي. مع التعلم الفيدرالي ، لا يوجد حاجة لمشاركة أي بيانات يمكن التعرف عليها شخصيًا. يأتي التعلم الفيدرالي بنماذج التعلم الآلي إلى مصدر البيانات ، مما يسمح بتخزين البيانات في موقع آمن. لتقليل مخاوف الخصوصية ، يمكن أن يكون الحل البسيط هو موافقة المريض (أو الوالد) على الوصول إلى البيانات التي يمكن التعرف عليها شخصيًا.
يمكن أن يكون هذا النوع من الحل حاسمًا لمساعدة إحضار الأدوية الشخصية إلى السوق. من المهم معرفة الجزيئات التي يجب استهدافها في فرد للانتقال الكامل إلى الطب المخصص للفرد.
ستؤدي الرعاية الصحية المخصصة إلى طباعة الأدوية ثلاثية الأبعاد بجرعات وأشكال وأحجام وخصائص تحرر مضبوطة بعناية لاستهداف فرد معين. لن يتم النظر فقط في الجنس ، والوزن ، والمتغيرات الجسدية الأخرى ، بل يمكن أيضًا تصميم الأدوية لاستهداف جزيء معين قد يكون موجودًا فقط في جينومات معينة تنتمي إلى مجموعات سكانية معينة.
تم استخدام التعلم العميق بنجاح لتنبؤ الارتباط بين الدواء والجزيء المستهدف ، تم اختبار هذا بنجاح من قبل الباحثين في معهد كوانجو للعلوم والتكنولوجيا في كوريا ، كما نشر في مجلة المعلومات الكيميائية.
قد يصعب على نظام الرعاية الصحية المجزأ والمخصخص التعامل مع ما سبق ، ولكن يمكن اختبار هذا السيناريو اليوم من قبل السياسيين الطموحين المهتمين بتفكير يسعى إلى إنجازات طموحة وجذرية ، خاصة في الأنظمة الصحية العامة.
تتصدر إستونيا هذا المجال ، حيث مشروع الجينوم الإستوني هو قاعدة بيانات بيولوجية وبيو بنك يحتوي على سجلات صحية من نسبة كبيرة من سكان إستونيا. مشروع الجينوم الإسرائيلي هو مشروع طموح لتحديد تسلسل جينومات أكثر من 100000 شخص من السكان الإسرائيليين.
الرائد الواضح في هذا المجال هو المملكة المتحدة ، حيث Genomics England تتعاون مع NHS لتقديم الاختبارات الجينومية وتحسينها باستمرار لمساعدة الأطباء والممارسين السريريين على تشخيص وعلاج ومنع الأمراض ، مثل الأمراض النادرة والسرطان. لديهم أيضًا هدف تحديد تسلسل جينومات 100000 شخص.
مشكلة واحدة مع القواعد البيانات الوطنية السابقة هي أن المجموعات السكانية التي حُدد تسلسل جينوماتها لا تزال صغيرة نسبيًا. سوف يؤدي مجموعة بيانات أكبر إلى أداء أعلى للنظام الذكي عند استخدامه لتحديد الأنماط في البيانات. وأكثر من ذلك ، سوف يؤدي إلى حصول وصول متساوي إلى الرعاية الصحية لسكان كامل.
أيضًا ، سوف تكون البيانات من خلفية عرقية أكثر تنوعًا مفيدة لمنع مشاكل الانحياز في الذكاء الاصطناعي. ينتج الانحياز في الذكاء الاصطناعي عن بيانات تفتقر إلى التنوع ، بما في ذلك التنوع الجيني. على سبيل المثال ، سوف يكون كندا في أفضل موقع للاستفادة من هذا ، بسبب وضعها كواحدة من أكبر السكان المهاجرين في العالم ، مع 20٪ من سكان كندا ولدوا في الخارج. هذا يتناقض مع الأنظمة الإستونية والإسرائيلية التي تعاني من نقص في التنوع العرقي.
يمكن أن يؤدي توحيد تسلسل الجينوم واستخدام التعلم العميق إلى توفيرات مالية كبيرة وفوائد صحية لنظام الرعاية الصحية الكندي. نظام غالبًا ما يتم وسمه من قبل الكنديين على أنه نظام معطل مع أوقات انتظار طويلة.
يتطلب ما سبق تفكيرًا طموحًا. وأي بلد يتبنى هذا النهج الهادف إلى تحقيق إنجازات جذرية سيُوفر أموال دافعي الضرائب، ويستثمر في المستقبل، ويحسن جودة الحياة، ويطيل عمر عموم سكانه، مع قيادة العالم في تقديم فرص متساوية للوصول إلى الرعاية الصحية والطب المخصصين للفرد.












