استفاده از هوش مصنوعی برای پیش‌بینی ریسک سکته مغزی / مدل نوآورانه‌ای که تخمینی دقیق‌تر از خطرات ژنتیکی را ارائه می‌دهد
به نقل از خبرآنلاین و به‌گزارش دیجیاتو، سکته مغزی ایسکمیک به‌عنوان رایج‌ترین نوع سکته مغزی شناخته می‌شود و هنگامی اتفاق می‌افتد که یک لخته خون، جریان خون به مغز را مسدود کند. براساس اطلاعات پژوهشگران، ابزاری نوین در آینده می‌تواند به ارزیابی دقیق‌تر خطر ابتلا به این عارضه و توسعه روش‌های پیشگیری و درمان مختص به هر فرد یاری رساند.
بر اساس اظهارات محققان، افرادی که به‌ویژه در سنین جوانی دچار سکته مغزی می‌شوند، معمولاً تمایل دارند بدانند آیا اعضای خانواده آن‌ها نیز در معرض تهدید مشابهی هستند یا خیر. ابزارهای جدید مبتنی بر هوش مصنوعی می‌توانند به خانواده‌ها در تشخیص بهتر خطر ژنتیکی آن‌ها کمک کنند.
براساس مطالعات گذشته، عوامل ژنتیکی تقریباً ۳۸ درصد از ناامنی ابتلا به سکته مغزی را تشکیل می‌دهند. با اینکه ژنتیک در ارزیابی‌های سنتی ریسک سکته مغزی نقش چندانی نداشته است، پژوهش جدید بر اهمیت این عوامل تأکید می‌کند. بدون هوش مصنوعی، پردازش انبوهی از داده‌ها به‌منظور ارزیابی شخصی خطر هر فرد امکان‌پذیر نبوده است.
به‌منظور توسعه این ابزار، پژوهشگران از معماری ترنسفورمر استفاده کردند؛ همانی که پایه‌گذار مدل‌های زبانی بزرگی مانند ChatGPT است. آن‌ها مدل را با داده‌های مرتبط به تغییرات ژنتیکی آموزش دادند تا رابطه بین این تغییرات و سکته مغزی ایسکمیک را شناسایی کند.
این مدل موفق به شناسایی ۱۸ نوع ژنتیکی مرتبط با سکته مغزی ایسکمیک گردید. از میان ژن‌های کلیدی تشخیص‌داده‌شده، ژن EDEM۲ که در قشر مغز فعالیت دارد و ژن KANK۲ که در خون فعال است، در نظر گرفته شدند. مدل اقدامات این ژن‌ها را به‌عنوان عواملی تأثیرگذار در افزایش استعداد ژنتیکی ابتلا به سکته مغزی معرفی کرد.
پژوهشگران عملکرد این مدل را با استفاده از دو مجموعه داده پزشکی وسیع آزمایش کردند که مجموعاً شامل اطلاعات بیش از ۴۰ هزار نفر بود. این مدل توانست افراد را بر اساس خطر ژنتیکی به سه گروه با ریسک کم، متوسط و بالا تقسیم‌بندی کند. در ادامه بررسی‌ها، افراد گروه پرخطر نسبت به گروه کم‌خطر، ۲۱ درصد بیشتر در معرض اولین سکته مغزی ایسکمیک قرار داشتند.
دانشمندان تاکنون برای محاسبه خطر ژنتیکی بیماری‌ها از امتیازات خطر چندژنی (PRS) بهره می‌بردند. این روش آماری با توجه به تأثیر ترکیبی تعداد زیادی از گونه‌های ژنتیکی، احتمال ابتلا به بیماری را ارزیابی می‌کند.
با این حال، محققان اذعان دارند که این روش به تعامل گونه‌های ژنتیکی مختلف و یا تأثیر مکان دقیق آن‌ها در توالی DNA توجه کافی نمی‌کند. مدل جدید بر پایه معماری ترنسفورمر طراحی شده است تا ارتباطات پیچیده‌تر بین تغییرات ژنتیکی را بررسی کرده و ارزیابی دقیق‌تری از خطر ژنتیکی ارائه دهد.
۵۸۵۸