نموذج لغوي كبير مدرب على الطفرات يشكل مسار السرطان والعلاج

كان من أبرز تطورات الذكاء الاصطناعي في السنوات الأخيرة صعود نماذج اكتسبت قدرة استثنائية على فهم لغة البشر وإنتاجها، هي النماذج اللغوية الكبيرة(LLM – Large Language Models) وانتشارها. وخصوصًا مع سلسلة ChatGPT، ظهر أن هذه النماذج تستطيع تفسير ليس النصوص المكتوبة فقط، بل أيضًا المفاهيم العلمية المعقدة وحتى الأنظمة البيولوجية.

بفضل بنيتها ذات مليارات المعلمات، أصبحت LLM قادرة على تحليل ليس اللغة الطبيعية وحدها، بل أيضًا تسلسلات DNA وبنى البروتينات والتغيرات الجينية وغيرها من البيانات الطبية الحيوية. وأطلق هذا التطور عصرًا ثوريًا في التخصصات كثيفة البيانات، خصوصًا علم الأورام والمجالات المشابهة.

تُعد النُهُج الشخصية لعلاج السرطان — أي «الطب الدقيق» — من أكبر مصادر الأمل في السنوات الأخيرة. لأن سرطان كل مريض له بصمة جينية خاصة تحدد بدرجة كبيرة الاستجابة للعلاج.

تتيح تقنيات تسلسل الجيل الجديد (NGS) اليوم كشف الطفرات الجسدية في الأورام؛ لكن تفسير مدلولها السريري بالكامل ما زال تحديًا مهمًا. وبينما يظل عدد الطفرات المعروفة القابلة للاستهداف محدودًا، تبقى متغيرات كثيرة «مجهولة الأهمية» في التحليل.

وهنا تحديدًا، قد تتعلم LLM ليس اللغة الطبيعية وحدها، بل اللغة الجزيئية للسرطان أيضًا، فتحمل إمكان توقع مسار المرض واقتراح أنسب الخيارات العلاجية. وقد يعيد هذا النهج تشكيل مستقبل طب الأورام الحديث.

في المؤتمر الخاص بالذكاء الاصطناعي والتعلم الآلي للجمعية الأمريكية لأبحاث السرطان (AACR)، عُرضت دراسة رائدة أعلن فيها الدكتور John-William Sidhom وفريقه أنهم طوروا نماذج تفهم كيف تؤثر الطفرات الجسدية لكل مريض في مسار السرطان والاستجابة للعلاج، هي النماذج اللغوية الكبيرة التي يعملون عليها.

يقول الدكتور Sidhom إن هذه النماذج تستطيع بتعلم «لغة» السرطان نفسه تشخيص الأورام وتوقع الإنذار واقتراح أنسب الأنظمة العلاجية لكل مريض.

قد تنقص البيانات في تقارير تسلسل الجيل الجديد (NGS) الحالية بسبب محدودية معرفة العلماء بالطفرات القابلة للاستهداف في الجينوم. وتُصنف طفرات كثيرة على أنها «متغير مجهول الأهمية» في هذه التقارير.

ورغم أن العلاجات الموجهة الحالية تستهدف محركًا جينوميًا واحدًا، فقد يستجيب المرضى الحاملون للمحركات نفسها بصورة مختلفة؛ لأن المرض قد يتضمن محركات محتملة أخرى. الدكتور Sidhom يوضح أنهم يهدفون لهذا السبب إلى سد هذه الفجوة في الطب الدقيق.

بحث الدكتور Sidhom إمكانية تطوير نموذج يستدل بالطفرات والمعلومات المستخرجة من تقرير NGS لتوقع الإنذار وتوجيه قرارات العلاج الجهازي، وهو نموذج لغوي كبير دُرب على تعلم معنى الطفرات المختلفة المرتبطة بالسرطان وكيف يمكن أن تعمل معًا في الوقت نفسه.

تُدرَّب LLM المستخدمة حاليًا في أبحاث السرطان عادةً على الجينوم المرجعي. لكن صلاحيتها السريرية محدودة. يقترح الدكتور Sidhom تدريب النماذج باستخدام فهارس الطفرات الجسدية والتغيرات الخاصة بالسرطان وبيانات النتائج السريرية، أي عبر «موتانوم».

أُنشئ هذا النموذج باستخدام بنية تراعي مرجع كل طفرة والتغير الذي طرأ عليها، وهي بنية انتباه مزدوج تتيح للنموذج فهم ترتيب التسلسل الجيني والاستدلال الفردي لكل طفرة. كما قنّع الباحثون التسلسلات المعدلة ليتيحوا له تعلم «مفردات الطفرات الجينية ونحوها»، أي ما يشبه قواعد الميتاجينيز في هذا السياق.

يقول الدكتور Sidhom: «توفر آلية الانتباه المزدوج إطارًا جميلًا قابلًا للتفسير لفهم التفاعلات المعقدة بين المرضى التي تقود السرطان.»

درب الدكتور Sidhom وفريقه النموذج أولًا على بيانات تضم 10.224 مريضًا و 33 نوع سرطان وتحتوي أكثر من 3 ملايين تغير جسدي من بيانات أطلس جينوم السرطان (TCGA) في التدريب.

ثم استخدموا بيانات 805 مرضى AML من مجموعة BeatAML2 لمحاولة فهم الارتباط بين تمثيلاتهم الجينومية والاستجابة للعلاجات المناعية. ولتمكين النموذج من توقع الاستجابة لكل علاج، طُبق التعلم متعدد الأمثلة (multi-instance learning).

توقع النموذج الإنذار في مجموعات مرضى نوعية للسرطان داخل TCGA بطرق تعلم غير خاضعة للإشراف، مثل التجميع بمتوسطات k. ثم حُولت هذه المجموعات إلى تحليلات Kaplan–Meier للبقاء.

بفضل الأنماط المتعلمة، استطاع النموذج تمثيل أنماط انتباه عالمية و سلاسل سببية محتملة لكل نوع سرطان. مثلًا، في سرطان القولون والمستقيم، لوحظ اعتماد مرتفع على APC وطفراته.

كما مثل النموذج نموذج Vogelstein التقليدي لسرطان القولون والمستقيم — أي ترتيب TP53 → KRAS → APC — بأوزان الانتباه، فأثبت صلاحيته البيولوجية.

كابوزانتينيب رغم أنه غير مستخدم على نطاق واسع بعد في ابيضاض الدم النقوي الحاد، حاول النموذج توقع الاستجابة له.

الارتباط الكانوني: 0.3052 (P < 0.001)
AUC (المساحة تحت المنحنى): 0.70 للمقاومة والحساسية معًا.

يقول الدكتور Sidhom: «نأمل أن يتحسن هذا الأداء بمزيد من البيانات ونماذج أقوى.»

تُظهر هذه الدراسة الإمكانات التحويلية للذكاء الاصطناعي في علم الأورام بوضوح. فبتحليل البيانات الجينية إلى جانب النصوص اللغوية، قد تقدم النماذج اللغوية الكبيرة دعمًا قويًا للأطباء في قرارات حاسمة مثل توقع الإنذار واختيار العلاج للمرضى.

قد تساعدنا أدوات الجيل الجديد هذه في نقل الطب الدقيق إلى مستوى تالٍ وتطوير استراتيجيات علاج أكثر فعالية وشخصية لكل مريض على حدة.

ويُتوقع أن تتيح هذه التقنية مستقبلًا، مع بيانات أكثر ونماذج أكثر تطورًا، ثورة رقمية في مكافحة السرطان في الرعاية.