هوش مصنوعی و دستگاه ایمنی بدن

دانش داده‌ورزی به بهره‌برداری از داده‌ها، اطلاعات و دانش برای بهبود سلامت انسان و خدمات بهداشتی کمک می‌کند. زیست‌داده‌ورزی¹ شاخه‌ای از دانش داده‌ورزی است که به جمع‌آوری، ذخیره، تحلیل و انتشار داده‌های زیستی می‌پردازد. ایمونوانفورماتیک² یا ایمنی‌شناسی محاسباتی³ نیز شاخه‌ای از دانش زیست‌داده‌ورزی است که با استفاده از نرم‌افزارهای مرتبط، به تولید داده‌های ایمنی‌شناختی می‌پردازد. برخی از شاخه‌های اصلی ایمنی‌شناسی محاسباتی شامل مایه (واکسن)‌شناسی⁴، تحلیل پادتن، پیش‌بینی اپی‌توپ‌های اختصاصی برای اینکه لنفوسیت‌های B و T آن‌ها را شناسایی کنند و ایمنی‌درمانی سرطان⁵ است.

میان دانش ایمنی‌شناسی و ژن‌شناسی پیوستگی عمیقی وجود دارد که به‌صورت دانش‌های ایمنی ژن⁶، ژن‌شناسی ایمنی⁷ و ژنگان‌شناسی ایمنی⁸ تجلی می‌یابد. ژنگان انسان دستگاه ایمنی و فعالیت آن را به‌صورت چشمگیری کنترل می‌کند. هوش مصنوعی به درک بهتر ما از این رابطه پیچیده کمک می‌کند و همین امر نیز برای فهم سلامت و بیماری‌ها بسیار ارزشمند است. پژوهش‌ها و پیشرفت‌های مربوط به درک ما از دستگاه ایمنی و بیماری‌های خودایمنی، سرطان‌ها، بیماری‌های عفونی و فراتر از آن‌ها به‌صورت تنگاتنگ به ژن‌شناسی ایمنی وابسته است.

دستگاه ایمنی ذاتی

در این جهان شگفت‌انگیز، شما هستید و همه‌چیز دیگر. حالا به «شما» به‌عنوان «خود» و به «همه‌چیز دیگر» به‌عنوان «غیرخودی¹⁰» فکر کنید. این غیرخودی ممکن است یک‌ذره، ماده شیمیایی، عامل عفونی (همچون ویروس) و سم (که از راه هوا، خوردن یا تماس با پوست وارد بدن می‌شود) باشد. حتی عامل‌هایی همچون تنش‌های ذهنی، احساسی، کاراندام‌شناختی یا فیزیکی هم ممکن است غیرخودی تلقی شوند. بدن ما این عامل‌های غیرخودی را به‌عنوان «بیگانه» تفسیر می‌کند. این عامل‌های بیگانه در ایمنی‌شناسی همان «پاد‌ژن¹¹» یا «ایمونوژن¹²» هستند.

فرض کنیم که در سلامت و شرایط فیزیکی مناسبی به سر می‌برید و تغذیه شایسته‌ای هم دارید. بدن شما در چنین شرایطی از پاد‌ژن‌های غیرخودی بیزار است. بنابراین از دستگاه ایمنی ذاتی و ویژگی‌های کالبدشناختی و شیمیایی آن همچون پوست، اشک، غشاهای مخاطی(موکوزی)، سدهای ضد عفونت^1۳ و زی‌مایه‌ها و مجموعه‌ای از اجزای سلولی پیچیده استفاده می‌کند. در چنین شرایطی، خودی به‌عنوان «خوب» و غیرخودی یا همان پادژن به‌عنوان «بد» شناخته می‌شود.

بدن شما یا خودی به شناسایی غیرخودی یا همان پاد‌ژن می‌پردازد. این فرایند با بهره‌گیری از مجموعه سلول‌های ویژه درون خون شامل سلول‌های سفید خون یا لوکوسیت‌ها و به‌ویژه ماکروفاژها و مونوسیت‌ها صورت می‌گیرد. سلول‌های ارائه‌کننده پاد‌ژن¹⁴ با کمک پادژن، غیرخودی را شناسایی می‌کنند. سلول‌های ارائه‌کننده پاد‌ژن در واقع همان سلول‌هایی هستند که پاد‌ژن‌ها را می‌گیرند و آن‌ها را به‌گونه‌ای ویژه و قابل‌شناسایی، به لنفوسیت‌های T ارائه می‌کنند.

به بیان ساده‌تر، پاد‌ژن‌ها همان مولکول‌هایی هستند که لنفوسیت‌های B و T آن‌ها را شناسایی می‌کنند. به‌طورکلی، بیشتر لنفوسیت‌ها به شناسایی قطعاتی از پاد‌ژن‌ها می‌پردازند که مولکول اِم‌اِچ‌سی^1۵ یا همان اِچ‌اِل‌اِی¹⁶ به آن‌ها معرفی کرده‌اند. مولکول‌های اِم‌اِچ‌سی روی سلول‌های ارائه‌کننده پاد‌ژن قرار دارند و به لنفوسیت‌ها پادژن می‌دهند. گیرنده‌های پاد‌ژنی در سلول‌های T همان پروتئین‌های غشایی در سطح تمام لنفوسیت‌های بالغ هستند که به‌طور اختصاصی به شناسایی پاد‌ژن‌هایی می‌پردازند که مولکول‌های اِم‌اِچ‌سی عرضه کرده‌اند.

این سلول‌های ارائه‌کننده پاد‌ژن همچنین به تولید ترکیب‌های شیمیایی (همچون اینترفرون‌ها و اینترلوکین‌های 1،4، 5 و6) با نام سایتوکاین‌ها¹⁷ می‌پردازند. سایتوکاین‌ها به مجموعه‌ای از سلول‌های T کشنده، T سرکوب‌کننده و T سایتوتوکسیک نشانک می‌دهند. این فرایندهای مولکولی گران‌بها روی هم «دستگاه ایمنی ذاتی» نامیده می‌شوند و مدافع اصلی سلامت ما هستند. این دستگاه به‌واقع بهترین دوست ما محسوب می‌شود.

ایمنی سلولی و مزاجـی (همورال) (ایمونوشیمی)

اجزای سلولی بیشتری همچون سلول‌های B، B آیدیوتایپ¹⁸، B حافظه¹⁹، سلول‌های پلاسما، سلول‌های کشنده طبیعی²⁰ و نیز سایتوکاین‌ها در تداوم با فعالیت ایمنی و به‌صورت پیوسته برای ایجاد «حافظه» (سلول‌های B حافظه) تولید می‌شوند. این حافظه برای پاسخ دوباره به پاد‌ژن‌هایی ایجاد می‌شود که قبلاً دستگاه ایمنی بدن آن‌ها را شناسایی کرده است. علاوه بر این، این عناصر سلولی و مزاجی (همورال) به تولید پروتئین‌هایی با نام پادتن²¹ و مجموعه‌ای مکمل از پادتن‌های ایمونوگلوبولین²² می‌پردازند. پادتن‌ها به‌صورت اختصاصی برای اتصال به پاد‌ژن‌های مهاجم و حذف آن‌ها تولید می‌شوند. حذف پاد‌ژن‌های مهاجم از طریق فرایندهای لایزکردن^2۳، اوپسونیزیشن²⁴، فعالیت کموتاکتیک^2۵ و فاگوسیتوز پلی‌مورف نوکلیئر²⁶ صورت می‌گیرد. این شکل از فعالیت ایمنی در واقع اولین مرحله از چیزی است که پاسخ ایمنی تطبیقی (اکتسابی)²⁷ نامیده می‌شود.

هوش مصنوعی برای ایمنی ذاتی

• • توانمندی‌های تحلیلی در هوش مصنوعی سبب شده است از آن در زمینه‌های گوناگون هوش مصنوعی استفاده کنند. این زمینه‌ها ممکن است شامل کشف پاد‌ژن‌ها و برون‌چهر(فنوتیپ)‌ها، پیش‌بینی نحوه تحول بیماری و پیامدهای درمانی باشد. الگوریتم‌هایی به‌منظور پیش‌بینی نتایج برهم‌کنش‌ها و دسته‌بندی‌ها در سطوح مولکولی توسعه داده شده‌اند. یادگیری ماشین ممکن است درون‌چهر(ژنوتیپ)‌های²⁸ (ساختارهای ژن‌شناسی) مرتبط به نتایج نامطلوب را شناسایی کند (Yu, Hu, Xu, et al.2019). کشف برون‌چهرها نیز یک مثال دیگر برای توانمندی‌های دسته‌بندی در هوش مصنوعی است. ممکن است از برون‌چهرهایی که هوش مصنوعی کشف می‌کند برای یافتن برون‌چهرهای یاخته‌ای و دسته‌بندی آن‌ها استفاده شود. این امر به مشخص‌کردن بودن یا نبودن یک بیماری و همچنین معین‌کردن پیامدها و پیشامدهای بعدی²⁹ (بهبود یا وخیم‌تر شدن) آن بیماری کمک می‌کند. اهمیت دسته‌بندی‌کردن برون‌چهرها در برخی از بیماری‌ها جایگاه بسیار ویژه‌ای دارد؛ زیرا ممکن است به‌صورت مستقیم پیشامدهای بعدی بیماری (بهبود یا وخیم‌تر شدن) را مشخص و به طراحی برنامه درمانی کمک کند. فن‌های مبتنی بر عکس در هوش مصنوعی^۳0 همچنین در سطوح سلولی و مولکولی دارای دقت چشمگیری هستند. این فن‌ها برای تشخیص پاسخ‌های ایمنی‌ای همچون فعال‌شدن ماکروفاژها (Pavillon, Hobro, Akira, et al.2018) و همچنین نفوذ لنفوسیت‌ها^۳1 در سرطان سینه و دیگر تومورهای جامد (Sun, Limkin, Vakalopoulou, et al.2018) به کار گرفته شده‌اند؛ از این رو به مشخص‌کردن پیشامدهای بعدی (بهبود یا وخیم‌تر شدن) بیماری و پاسخ به درمان نیز یاری رسانده‌اند.

• • بیشتر مطالعه‌ها نشان‌دهنده ظرفیت هوش مصنوعی و توانمندی‌های تحلیلی آن در ایمنی‌شناسی است (Jabbari, Rezaei.2019).

• • الگوریتم‌های هوش مصنوعی به‌منظور به‌کارگیری سازوکارهای تنظیمی بالقوه و شناسایی نشانگرهای تعیین‌کننده برای مشخص‌کردن پیشامدهای بعدی (بهبود یا وخیم‌تر شدن) در بیماری سرطان سینه مورد استفاده قرار گرفتند. این الگوریتم‌ها همچنین برای تعیین زنده‌مانی بدون بیماری در درمان سرطان سینه به کار گرفته شدند. زنده‌مانی بدون بیماری^۳2 در سرطان شامل مدت زمانی است که پس از پایان درمان اولیه سرطان، بیمار بدون هیچ نشانه یا علامتی از آن سرطان زنده می‌ماند. در یک کارآزمایی بالینی، اندازه‌گیری بقای بدون بیماری یکی از روش‌هایی است که برای مشاهده اثربخشی یک درمان جدید استفاده می‌شود. ژن‌های ایمنی‌ای که بافت‌های سرطانی و سالم آن‌ها را به‌صورت متمایز بیان کرده‌اند، دقیق شناسایی شده‌اند. همچنین دستگاه پیش‌بینی زنده‌مانی مبتنی بر هوش مصنوعی توسعه یافته است. این دستگاه بر اساس سه الگوریتم هوش مصنوعی طراحی شده است. تلاش‌های جامع در زیست‌داده‌ورزی شناسایی هفده ژن ایمنی به‌عنوان نشانگرهای تعیین‌کننده پیشامد (بهبودیافتن یا وخیم‌ترشدن) در سرطان سینه را به دنبال داشته است. این ژن‌ها همان نامزدهای احتمالی برای اهداف ایمنی‌درمانی در بیماران مبتلا به سرطان سینه هستند. این دستگاه پیش‌بینی زنده‌مانی بر اساس هوش مصنوعی ممکن است به بهبود فرایندهای درمانی و تصمیم‌گیری پزشکان بسیار کمک‌کند (Zhang, Li, He, et al. 2020).

• • ارزیابی مربوط به میزان فعال‌سازی لنفوسیت‌های T که یکی از وظیفه‌های پاد‌ژن‌هاست، اهمیت بسیار حیاتی‌ای دارد؛ زیرا تنها لنفوسیت‌های T که به‌صورت عملکردی فعال‌شده‌اند ممکن است اهداف مطلوب را هدف بگیرند و بکشند. تصویربرداری خودشب‌تابی(اتوفلورسنس)^۳۳ ممکن است حالت‌های گوناگون فعال‌سازی در لنفوسیت‌های T را شناسایی کند. این امر به روشی غیرمخرب^۳4 و با کشف تغییرات مواد درون‌زاد(اندوژن) در کوآنزیم‌های متابولیک صورت می‌گیرد. یادگیری ماشین ممکن است فعالیت لنفوسیت‌های T را به‌صورت دقیقی در نمونه‌های انسانی دسته‌بندی کند. برای بررسی روش‌های گوناگون دسته‌بندی، انواع روش‌های سنتی تا روش‌های شبکه‌های عصبی پیچشی^۳۵ پیش‌آموزش‌دیده با استفاده از عکس‌های غیرزیستی و عمومی مورد مطالعه قرار گرفتند. نتایج پژوهش نشان داد، استفاده از شبکه‌های عصبی پیچشی پیش‌آموز^۳6 ممکن است نسبت به روش‌های سنتی یا شبکه عصبی پیچشی آموزش‌دیده با عکس‌های خودشب‌تاب عملکرد بهتری داشته باشد (Wang, Walsh, Skala, et al.2019).

• • مؤثرترین منابع داده برای استفاده در یادگیری ماشین شامل داده‌های گرافیک (ویدئو و عکس) می‌شود. سخت‌افزار جی‌پی‌یو^۳7 که شرکت اِن‌ویدیا^۳8 تولید کرده است برای پردازش داده‌های گرافیکی نیز نقش چشمگیری در توسعه این نوع از هوش مصنوعی دارد. این پیشرفت‌ها توسعه روش تصویربرداری ایمونوفلورسنس (میکروسکوپ هم‌کانونی یاخته‌ای^۳9) و رنگ‌های ایمونوفلورسنس غشای سلولی با استفاده از شبکه‌های عصبی پیچشی عمیق به‌منظور دسته‌بندی انواع لنفوسیت‌های T و انواع یاخته‌های شاخه‌ای (دندریتیک) را به دنبال داشته است. بااین‌حال، استفاده از این فن وقتی‌که یاخته‌ها متراکم باشند و تصویر نیز دارای پیچیدگی‌هایی باشد، تولید تصاویر با کیفیت پایین را در پی دارد. رویکردهای یادگیری عمیق در همین محدودیت‌ها به درخشش توانمندی‌های خود می‌پردازند. فن‌های جداسازی تصویرها با استفاده از هوش مصنوعی کمک کرده است تصویرهایی را که تحلیل آن‌ها پیش از این چالش‌برانگیز و نیازمند جداسازی دستی در آزمایشگاه بودند، با یادگیری ماشین تحلیل کرد. تجزیه‌وتحلیل این موارد برای دستگاه بینایی انسان دشوار است (Sibley, 2019).

• • هوش مصنوعی پاسخ‌هایی ریشه‌ای برای مسائل پیچیده و حل‌نشده فراهم کرده است؛ به همین دلیل نیز در حوزه بهداشت عمومی در حال پیشرفت و گسترش است.

بررسی اجمالی کاربردهای فعلی هوش مصنوعی در حوزه بهداشت عمومی و همه‌گیرشناسی⁴⁰ نشان می‌دهد که این زمینه از دانش بر مطالعه روی مقاومت پادزیست تمرکز کرده است.

مقاومت پادزیست از موضوع‌های دارای اهمیت حیاتی بوده است و در گزارشی از سازمان بهداشت جهانی با عنوان «ده تهدید برای بهداشت جهانی در سال 2019» به آن پرداخته شده است. جهش‌های تصادفی ممکن است در برخی از باکتری‌ها نسبت به داروهایی خاص مقاومت ایجاد کنند. استفاده گسترده از این داروها تکثیر باکتری‌های مقاوم را در پی دارد. این توانمندی‌ها و ویژگی‌های مقاومتی ممکن است بین باکتری‌های گوناگون از گروه‌های آرایه‌شناسی(تاکسونومیک) و بوم‌شناسی(اکولوژیک) ردوبدل شوند. به‌بیان‌دیگر، ممکن است مقاومت پادزیستی گسترش بیابد (Levy, Marshall.2004). هوش مصنوعی در این زمینه ممکن است با دو رویکرد اصلی به بهداشت کمک کند: نخست، ساختار پپتیدی‌ای ویژه با خواص ضد باکتریایی طراحی کند که در واقع همان پادزیست‌های وسیع الطیف⁴¹ و بالقوه هستند؛ همچنین میزان فعالیت پادزیستی آن را نیز پیش‌بینی کنند. دوم، ساختارهای پپتیدی مصنوعی‌ای علیه میکروب‌های ویژه طراحی و پیشنهاد کند. پژوهشگران به این منظور، در چند مطالعه از مدل‌های استاندارد داده‌کاوی شامل ماشین‌های بردار پشتیبانی⁴² و شبکه‌های عصبی مصنوعی استفاده کرده‌اند. نتایج یافته‌ها نشان داده است که هوش مصنوعی توانسته است پپتیدهای دارای خواص ضد میکروبی را با دقت‌های 91/9، 94/76 و 9۵/79 درصد از پپتیدهای معمولی متمایز کند (Youmans, Spainhour, Qiu.2017). هوش مصنوعی ممکن است برای چنین چالش‌های پیچیده و حل‌نشده‌ای راهکارهای بنیادینی ارائه کند (Rodríguez-González, Zanin, Menasalvas-Ruiz, et al.2019).

نتیجه‌گیری

ادغام هوش مصنوعی و ایمنی‌شناسی افق‌های جدیدی در تحقیقات زیست‌پزشکی ایجاد می‌کند. هوش مصنوعی پیچیدگی‌های موجود در دستگاه ایمنی را آشکار می‌سازد. این امر به دقیق‌ترشدن تشخیص‌های پزشکی و راهبردهای درمانی کمک می‌کند.