ഒരു ചെറിയ ശതമാനം രോഗികളുടെ കാൻസർ രോഗം എവിടെ നിന്നാണ് ഉത്ഭവിച്ചതെന്ന് നിർണ്ണയിക്കാൻ ഡോക്ടർമാർക്ക് ഇപ്പോളും കഴിയില്ല. ഇത് ആ രോഗികൾക്ക് ചികിത്സ തിരഞ്ഞെടുക്കുന്നത് വളരെ ബുദ്ധിമുട്ടുള്ളതാക്കിയിരുന്നു അടുത്തിടെ വരെ.
എന്നാൽ ഇതാ ഏകദേശം 400 ജീനുകളുടെ ക്രമം വിശകലനം ചെയ്യാനും ശരീരത്തിൽ ഉണ്ടായ ട്യൂമർ എവിടെ നിന്നാണ് ഉത്ഭവിച്ചതെന്ന് പ്രവചിക്കാനും ശാസ്ത്രജ്ഞരെ സഹായിക്കുകയാണ് AI മെഷീൻ ലേർണിംഗ് വഴി ഗവേഷകർ സൃഷ്ടിച്ച കംപ്യൂട്ടേഷണൽ മോഡൽ OncoNPC.
എംഐടിയിലെയും ഡാന-ഫാർബർ കാൻസർ ഇൻസ്റ്റിറ്റ്യൂട്ടിലെയും (MIT and Dana-Farber Cancer Institute) ഗവേഷകർ വികസിപ്പിച്ചെടുത്ത പുതിയ കംപ്യൂട്ടേഷണൽ മോഡൽ OncoNPC ആ നിഗൂഢമായ അർബുദങ്ങളുടെ ഉത്ഭവ സ്ഥലങ്ങൾ തിരിച്ചറിയുന്നത് എളുപ്പമാക്കിയേക്കാം.
ഈ മാതൃക ഉപയോഗിച്ച്, ഏകദേശം 900 രോഗികളുടെ ഡാറ്റാസെറ്റിൽ, അജ്ഞാത ഉത്ഭവത്തിന്റെ 40 ശതമാനം മുഴകളെ (cancers of unknown primary (CUP) ഉയർന്ന ആത്മവിശ്വാസത്തോടെ കൃത്യമായി തരംതിരിക്കാൻ കഴിയുമെന്ന് ഗവേഷകർ തെളിയിച്ചു. ഈ സമീപനം അവരുടെ കാൻസർ എവിടെ നിന്നാണ് ഉത്ഭവിച്ചത് എന്നതിനെ അടിസ്ഥാനമാക്കി, ജനിതകപരമായി ഗൈഡഡ്, ടാർഗെറ്റഡ് ചികിത്സയ്ക്ക് അർഹതയുള്ള രോഗികളുടെ എണ്ണത്തിൽ 2.2 മടങ്ങ് വർദ്ധനവ് സാധ്യമാക്കി. ഇതും AI യുടെ നല്ല മുഖങ്ങളിൽ ഒന്നാണ്.
കമ്പ്യൂട്ടർ സയൻസ്- ഇലക്ട്രിക്കൽ എഞ്ചിനീയറിംഗിലെ എംഐടി ബിരുദ വിദ്യാർത്ഥിയായ ഇന്റേ മൂൺ ആണ് നേച്ചർ മെഡിസിനിൽ പ്രസിദ്ധീകരിച്ച ഈ പുതിയ പഠനത്തിന്റെ പ്രധാന രചയിതാവ്. AI മെഷീൻ ലേർണിംഗ് വഴി കംപ്യൂട്ടേഷണൽ മോഡൽ സൃഷ്ടിക്കുന്നതിന്, ഹാർവാർഡ് മെഡിക്കൽ സ്കൂളിലെയും ഡാന-ഫാർബർ കാൻസർ ഇൻസ്റ്റിറ്റ്യൂട്ടിലെയും മെഡിസിൻ അസോസിയേറ്റ് പ്രൊഫസറായ അലക്സാണ്ടർ ഗുസെവ് നൽകിയ സഹോപദേശം ഈ പഠനത്തിന്റെ ആധികാരികത വർധിപ്പിക്കുന്നു.
ഇന്റേ മൂൺ പറയുന്നു :
“ഞങ്ങളുടെ പേപ്പറിലെ ഏറ്റവും പ്രധാനപ്പെട്ട കണ്ടെത്തൽ ചികിത്സാ തീരുമാനങ്ങളെ സഹായിക്കുന്നതിനും അജ്ഞാത പ്രാഥമിക ഉത്ഭവമുള്ള അർബുദമുള്ള രോഗികൾക്ക് വ്യക്തിഗത ചികിത്സകൾ നിശ്ചയിക്കുന്നതിലേക്കു ഡോക്ടർമാരെ സഹായിക്കും,”
3 മുതൽ 5 ശതമാനം വരെ കാൻസർ രോഗികളിൽ, പ്രത്യേകിച്ച് മുഴകൾ ശരീരത്തിലുടനീളം മെറ്റാസ്റ്റാസൈസ് ചെയ്യപ്പെട്ട സന്ദർഭങ്ങളിൽ, ക്യാൻസർ എവിടെ നിന്നാണ് ഉത്ഭവിച്ചതെന്ന് നിർണ്ണയിക്കാൻ ഓങ്കോളജിസ്റ്റുകൾക്ക് എളുപ്പവഴിയില്ല. ഈ മുഴകളെ അജ്ഞാത പ്രൈമറി ക്യാൻസറായി -cancers of unknown primary (CUP)- തരംതിരിച്ചിരിക്കുന്നു.
ഈ സങ്കീർണത പലപ്പോഴും രോഗികൾക്ക് “കൃത്യമായ” മരുന്നുകൾ നൽകുന്നതിൽ നിന്ന് ഡോക്ടർമാരെ തടയുന്നു, അവ സാധാരണയായി അവർ പ്രവർത്തിക്കുമെന്ന് അറിയപ്പെടുന്ന പ്രത്യേക കാൻസർ തരങ്ങൾക്ക് അംഗീകാരം നൽകുന്നു. CUP രോഗികൾക്ക് സാധാരണയായി നിർദ്ദേശിക്കപ്പെടുന്ന ക്യാൻസറുകളുടെ വിശാലമായ സ്പെക്ട്രത്തിന് ഉപയോഗിക്കുന്ന ചികിത്സകളേക്കാൾ ഈ ചികിത്സകൾ കൂടുതൽ ഫലപ്രദവും കുറച്ച് പാർശ്വഫലങ്ങൾ ഉള്ളതുമാണ്.
“അജ്ഞാത പ്രൈമറിയിലെ ഈ ക്യാൻസറുകൾ ഓരോ വർഷവും ഗണ്യമായ എണ്ണം വർധിക്കുന്ന അവസ്ഥയാണിപ്പോൾ. കൂടാതെ മിക്ക തെറാപ്പികളും നിർദ്ദിഷ്‌ട രീതിയിൽ അംഗീകരിക്കപ്പെട്ടിരിക്കുന്നതിനാൽ അവർക്ക് വളരെ പരിമിതമായ ചികിത്സാ ഓപ്ഷനുകൾ മാത്രമേയുള്ളൂ”, അലക്സാണ്ടർ ഗുസെവ്
AI മെഷീൻ ലേർണിംഗ് വഴി കംപ്യൂട്ടേഷണൽ മോഡൽ – OncoNPC
കംപ്യൂട്ടർ സയൻസ് ആൻഡ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ലബോറട്ടറിയുടെ അഫിലിയേറ്റ് ആയ മൂൺ അസോസിയേറ്റ് പ്രൊഫസറായ അലക്സാണ്ടർ ഗുസെവിന്റെ സഹായത്തോടെ ക്യാൻസർ പ്രവചിക്കാൻ ഉപയോഗിക്കാമോ എന്നറിയാൻ ഡാന-ഫാർബറിൽ പതിവായി ശേഖരിക്കുന്ന ജനിതക വിവരങ്ങൾ വിശകലനം ചെയ്യാൻ തീരുമാനിച്ചു. ക്യാൻസറിൽ പലപ്പോഴും പരിവർത്തനം ചെയ്യപ്പെടുന്ന ഏകദേശം 400 ജീനുകളുടെ ജനിതക ക്രമങ്ങൾ ഡാറ്റയിൽ അടങ്ങിയിരിക്കുന്നു. അറിയപ്പെടുന്ന 22 കാൻസർ തരങ്ങളിലൊന്ന് കണ്ടെത്തിയ 30,000 രോഗികളിൽ നിന്നുള്ള ഡാറ്റയിൽ ഗവേഷകർ ഒരു മെഷീൻ ലേണിംഗ് മോഡൽ പരിശീലിപ്പിച്ചു. മെമ്മോറിയൽ സ്ലോൺ കെറ്ററിംഗ് കാൻസർ സെന്റർ, വാൻഡർബിൽറ്റ്-ഇൻഗ്രാം കാൻസർ സെന്റർ, ഡാന-ഫാർബർ എന്നിവിടങ്ങളിൽ നിന്നുള്ള രോഗികളും ആ ഡാറ്റയിൽ ഉൾപ്പെടുന്നു.
ഗവേഷകർ മെഷീൻ ലേണിംഗ് മോഡൽ ഇതുവരെ കണ്ടിട്ടില്ലാത്ത 7,000 മുഴകളിൽ പരീക്ഷിച്ചു അവയുടെ ഉത്ഭവസ്ഥാനം തിരിച്ചറിഞ്ഞു. ഗവേഷകർ OncoNPC എന്ന് പേരിട്ട ഈ മോഡലിന് 80% കൃത്യതയോടെ അവയുടെ ഉത്ഭവം പ്രവചിക്കാൻ കഴിഞ്ഞു. 65 % രോഗകാരണം പ്രവചിക്കാനായിരുന്നു ഇതുവരെ സാധിച്ചിരുന്നതെങ്കിൽ, OncoNPC യിലൂടെ മുഴകളുടെ കൃത്യത ഏകദേശം 95 ശതമാനമായി ഉയർന്നു.
തുടർന്ന് ഗവേഷകർ CUP ഉള്ള രോഗികളിൽ നിന്നുള്ള 900 മുഴകളുടെ ഒരു കൂട്ടം വിശകലനം ചെയ്യാൻ മോഡൽ ഉപയോഗിച്ചു, അവയെല്ലാം ഡാന-ഫാർബറിൽ നിന്നുള്ളവയാണ്. ഈ മുഴകളിൽ 40 ശതമാനത്തിനും ഉയർന്ന ആത്മവിശ്വാസത്തോടെയുള്ള പ്രവചനങ്ങൾ നടത്താൻ മോഡലിന് കഴിഞ്ഞതായി അവർ കണ്ടെത്തി.
ഗവേഷകർ മോഡലിന്റെ പ്രവചനങ്ങളെ ലഭ്യമായ ഡാറ്റ ഉപയോഗിച്ച് ട്യൂമറുകളുടെ ഒരു ഉപവിഭാഗത്തിലെ പാരമ്പര്യമായി ലഭിച്ച മ്യൂട്ടേഷനുകളുടെ വിശകലനവുമായി താരതമ്യം ചെയ്തു, ഇത് രോഗികൾക്ക് ഒരു പ്രത്യേക തരം ക്യാൻസർ മരുന്ന് വികസിപ്പിക്കാനുള്ള ജനിതക മുൻകരുതൽ ഉണ്ടോ എന്ന് വെളിപ്പെടുത്താൻ കഴിയും. മറ്റേതൊരു തരത്തിലുള്ള ക്യാൻസറിനേക്കാളും germline മ്യൂട്ടേഷനുകൾ ഏറ്റവും ശക്തമായി പ്രവചിച്ച ക്യാൻസറിന്റെ തരവുമായി മോഡലിന്റെ പ്രവചനങ്ങൾ പൊരുത്തപ്പെടാൻ സാധ്യതയുണ്ടെന്ന് ഗവേഷകർ കണ്ടെത്തി.
ഈ മാതൃക ഉപയോഗിച്ച്, ഗവേഷകർ 15 ശതമാനം രോഗികളെ (2.2 മടങ്ങ് വർദ്ധനവ്) തിരിച്ചറിഞ്ഞു,
