الذكاء الاصطناعي يشخص أمراضًا متعددة من عينة دم واحدة

قد تظهر أحيانًا حالات معقدة أثناء عمليات التشخيص الطبي؛ فعندما تتشابه أعراض أمراض مختلفة، قد تلزم عدة اختبارات مخبرية للوصول إلى التشخيص الصحيح. وقد يستغرق ذلك وقتًا ويكون مرتفع التكلفة أيضًا. وتقدم تقنيات الذكاء الاصطناعي التي تطورت في السنوات الأخيرة مقاربات مبتكرة يمكنها التغلب على هذه المشكلة.

في 21 فبراير 2025، Science نُشرت في المجلة دراسة طورت أداة لافتة للذكاء الاصطناعي تستطيع تشخيص أمراض متعددة من عينة دم واحدة.

فك اللغة الخفية للجهاز المناعي

طور باحثون من جامعة ستانفورد خوارزمية تستطيع الكشف بدقة عن أمراض مثل COVID-19 وHIV والسكري من النوع 1 والذئبة، وعن الاستجابات للقاح الإنفلونزا، بتحليل الجينات التي تشفر مستقبلات الخلايا المناعية.

تمثل هذه الأمراض والحالات جوانب مختلفة للجهاز المناعي، هي العدوى الفيروسية وأمراض المناعة الذاتية والاستجابات التي تتشكل بعد التطعيم والحالة المناعية السليمة. وهي أمثلة يصعب التمييز بينها أو تُحدث استجابات مناعية متشابهة. وقد اختيرت بهدف اختبار قدرة نموذج الذكاء الاصطناعي على التمييز بين الفروق الدقيقة في استجابات الجهاز المناعي بصورة شاملة.

تُسمى هذه الخوارزمية «Machine Learning for Immunological Diagnosis» واختصارها Mal-ID، وتُجري التشخيص بتحليل البيانات الجينية المستخرجة من مستقبلات الخلايا البائية والخلايا التائية.

يؤكد البروفيسور الدكتور سكوت بويد، أحد كبار مؤلفي الدراسة، أهمية البحث بقوله: «تقدم تسلسلات مستقبلات الخلايا المناعية معلومات تشخيصية فريدة. وحتى اليوم، كانت هذه التسلسلات تُستخدم عادةً فقط لتشخيص السرطانات الناشئة من الخلايا B أو T» مشيرًا إلى أهمية البحث.

الصورة أعلاه, تلخص خطوة بخطوة كيفية تشخيص أداة الذكاء الاصطناعي الجديدة للأمراض عبر تحليل عينات الدم. وفيما يلي شرح تفصيلي:

الخطوة 1: الحصول على تسلسلات مستقبلات الخلايا B وT

• حدد الباحثون تسلسلات مستقبلات الخلايا البائية (BHR) والخلايا التائية (THR) من عينات الدم التي أُخذت من 593 مشاركًا.
• يمثل المشاركون ست حالات مناعية مختلفة: COVID-19 وHIV والذئبة والسكري من النوع 1 والاستجابة المناعية بعد لقاح الإنفلونزا والأفراد الأصحاء.

2. تدريب ثلاثة نماذج منفصلة للذكاء الاصطناعي

• فُحصت تسلسلات المستقبلات بثلاث طرق مختلفة:

  1. تركيب الذخيرة: حُلّل التوزيع العام لمستقبلات الخلايا B وT في الجهاز المناعي للأشخاص.
  2. التحليل العنقودي لتسلسلات CDR3: فُحصت المناطق الحاسمة التي تحدد خصائص التعرف على المستضد (CDR3) باستخدام طريقة التجميع العنقودي.
  3. النمذجة اللغوية: حُلّلت تسلسلات المستقبلات بواسطة النماذج اللغوية، وفُككت الخصائص اللغوية للجهاز المناعي.

• دُربت ثلاثة نماذج BHR وثلاثة نماذج THR باستخدام البيانات المستخرجة من الطرق الثلاث المختلفة.

إنشاء نموذج موحد للتعلم الآلي

• جُمعت النماذج التي دُربت معًا لإنشاء نموذج شامل للتعلم الآلي (ML).

تشخيص الأمراض وتفسير النتائج

• قُيّم نموذج التعلم الآلي وفق الخطوات التالية:
  • التحقق المتقاطع (Cross-validation): قُيّمت دقة النموذج.
  • الاختبارات باستخدام مجموعات بيانات مستقلة: جرى التحقق من أداء النموذج على مجموعات بيانات خارجية.
  • المقارنات بالمراجع العلمية: قورنت تسلسلات BHR وTHR الأكثر دلالة بالمعلومات الواردة في المراجع العلمية للتحقق من النتائج.

بفضل هذه المقاربة، أصبح تشخيص الأمراض ممكنًا بدقة عالية، بلغت درجة AUROC مقدارها 0,986، وظهرت صورة شاملة للجهاز المناعي. وقد تتيح هذه الطريقة مستقبلًا تشخيص عدد كبير من الأمراض باختبار واحد تشخيصًا صحيحًا وسريعًا.

نتائج لافتة من البحث

حُللت في الدراسة، من عينات مأخوذة من مجموع 593 شخصًا، 23,5 مليونًا من الخلايا التائية و 16,2 مليونًا من الخلايا البائية من حيث تسلسلات المستقبلات. وكان بين المشاركين:

• 63 مريضًا بـCOVID-19

• 95 مريضًا بـHIV

• 86 مريضًا بالذئبة

• 92 مريضًا بالسكري من النوع 1

• 37 شخصًا تلقوا لقاح الإنفلونزا حديثًا

• 220 شخصًا سليمًا يشكلون مجموعة المقارنة.

كان نجاح الخوارزمية لافتًا. ففي التحليلات التي استُخدمت فيها بيانات الخلايا البائية والتائية معًا، حققت الخوارزمية نسبة دقة %85,3 وقيمة 0,986 لـAUROC، أي المساحة تحت منحنى خصائص تشغيل المستقبِل. وعند استخدام بيانات الخلايا البائية وحدها، بلغت الدقة %74,0 وقيمة AUROC مقدارها 0,959؛ أما عند استخدام بيانات الخلايا التائية وحدها فبلغت الدقة %75,1 وقيمة AUROC مقدارها 0,952.

أظهرت هذه النتائج أن استخدام بيانات الخلايا B وT معًا يزيد حساسية التشخيص. فمثلًا كانت مستقبلات الخلايا البائية أكثر إفادة في COVID-19 وHIV والتطعيم ضد الإنفلونزا، بينما كانت مستقبلات الخلايا التائية تحمل علامات أكثر وضوحًا في الذئبة والسكري من النوع 1.

الذكاء الاصطناعي والجهاز المناعي: اكتشاف اللهجات

تشبه مستقبلات الجهاز المناعي لهجات لغوية فريدة تحتفظ بسجل التاريخ المناعي لكل إنسان. وتتمتع النماذج اللغوية للذكاء الاصطناعي، مثل النماذج اللغوية الكبيرة التي تدعم ChatGPT، بفاعلية خاصة في فهم هذه اللهجات الفريدة.

إمكانات التطبيق السريري ومستقبله

مع أن هذه المقاربة المبتكرة ليست جاهزة بعد للاستخدام السريري، يعتقد الباحثون أن الطريقة قد تقلل بدرجة كبيرة الوقت والتكاليف اللازمين لتشخيص الأمراض. كذلك، قد يمهد تحليل تسلسلات مستقبلات الجهاز المناعي لتطوير مقاربات علاجية شخصية لأمراض المناعة الذاتية.

يذكر ماكسيم زاسلافسكي، أحد مؤلفي الدراسة، أن الذكاء الاصطناعي يقدم إمكانات كبيرة لتحديد العلاجات الأكثر فاعلية في الحالات المعقدة، مثل أمراض المناعة الذاتية، من خلال تحليل أنشطة الجهاز المناعي.

تُعد هذه الدراسة خطوة مهمة قد تُحدث تحولًا كبيرًا في طرق التشخيص والعلاج باستخدام التحليل المفصل للجهاز المناعي.