Mutasiyalarla öyrədilmiş böyük dil modeli xərçəngin gedişini və müalicəsini formalaşdırır

Son illərdə süni intellekt sahəsində ən diqqətçəkən yeniliklərdən biri insan dilini anlamaq və yaratmaqda qeyri-adi bacarıq qazanan böyük dil modelləri-nin (LLM – böyük dil modelləri) yüksəlişi oldu. Xüsusilə ChatGPT seriyası ilə bu modellərin yalnız yazılı mətnləri deyil, mürəkkəb elmi anlayışları və hətta bioloji sistemləri də şərh edə bildiyi ortaya çıxdı.

LLM-lər milyardlarla parametrli quruluşları sayəsində yalnız təbii dili deyil, DNT ardıcıllıqları, zülal quruluşları və genetik variasiyalar kimi biotibbi məlumatları da təhlil edə bilir. Bu yenilik məlumat həcminin böyük olduğu sahələrdə, xüsusilə onkologiya kimi istiqamətlərdə inqilabi dövr başlatdı.

Xərçəngin müalicəsində fərdiləşdirilmiş yanaşmalar — yəni “dəqiq təbabət” — son illərin ən böyük ümidlərindəndir. Çünki hər xəstənin xərçəngi özünəməxsus genetik imzaya malikdir və bu imza müalicə cavabını böyük ölçüdə müəyyən edir.

Bu gün yeni nəsil sekvensləmə (NGS) texnologiyaları ilə şişlərdə somatik mutasiyalar aşkarlana bilir; lakin məlumatların klinik mənasını tam açmaq hələ də mühüm çətinlikdir. Məlum hədəflənə bilən mutasiyaların sayı məhdud olduğu halda, bir çox variant “əhəmiyyəti bilinməyən” olaraq qalır.

Məhz bu məqamda LLM-lər təbii dillə yanaşı, xərçəngin molekulyar dilini də öyrənərək xəstəliyin gedişini proqnozlaşdırmaq və ən uyğun müalicə seçimlərini tövsiyə etmək potensialı daşıyır. Bu yanaşma müasir onkologiyanın gələcəyini yenidən formalaşdıra bilər.

Amerika Xərçəng Tədqiqatları Assosiasiyasının (AACR) Süni İntellekt və Maşın Öyrənməsi üzrə Xüsusi Konfransı-nda təqdim olunan təməlqoyucu tədqiqatda Dr. John-William Sidhom və komandası hər xəstənin somatik mutasiyalarının xərçəngin gedişinə və müalicə cavabına necə təsir etdiyini anlaya bilən böyük dil modelləri hazırladıqlarını açıqladılar.

Dr. Sidhom bildirir ki, bu modellər xərçəngin öz “dilini” öyrənərək şişlərə diaqnoz qoya, proqnozu müəyyən edə və hər xəstəyə uyğun müalicə rejimləri təklif edə bilər.

Hazırkı yeni nəsil sekvensləmə (NGS) hesabatlarında alimlərin genomdakı hədəflənə bilən mutasiyalar barədə biliklərinin məhdudluğu səbəbindən məlumat boşluqları yarana bilir. Bir çox mutasiya “əhəmiyyəti bilinməyən variant” kimi təsnif edilir.

Həmçinin mövcud hədəfli müalicələr tək bir genom aparıcı amilini hədəfləsə də, eyni amilləri daşıyan xəstələr fərqli cavab verə bilər. Çünki hər xəstəlikdə başqa potensial aparıcı amillər də ola bilər. Dr. Sidhom məhz buna görə dəqiq təbabətdəki bu boşluğu doldurmağı hədəflədiklərini izah edir.

Dr. Sidhom NGS hesabatındakı mutasiyalar və məlumatlar əsasında məntiq yürüdərək proqnozu müəyyən edə və sistemik müalicə qərarlarına yol göstərə bilən böyük dil modeli hazırlamaq imkanını araşdırdı. Model xərçənglə əlaqəli müxtəlif mutasiyaların mənasını və eyni zamanda birlikdə necə işləyə biləcəyini öyrənmək üçün təlimləndirildi.

Xərçəng tədqiqatlarında hazırda istifadə olunan LLM-lər adətən istinad genomu əsasında öyrədilir. Lakin bu modellərin klinik etibarlılığı məhduddur. Dr. Sidhom modellərin somatik mutasiya kataloqları, xərçəngə xas dəyişikliklər və klinik nəticə məlumatları ilə, yəni “mutanom” əsasında öyrədilməsini təklif edir.

Bu model hər mutasiyanın istinadını və dəyişikliyini nəzərə alan ikili diqqət arxitekturası ilə quruldu. Beləcə model həm genetik ardıcıllığın sırasını, həm də hər mutasiyanın ayrıca mənasını anlaya bilir. Tədqiqatçılar dəyişdirilmiş ardıcıllıqları maskalayaraq modelin “genetik mutasiyaların söz ehtiyatını və sintaksisini” yəni bir növ metagenez qaydalarını öyrənməsini də təmin etdilər.

“Bu ikili diqqət mexanizmi xərçəngi yönləndirən xəstələr arasındakı mürəkkəb qarşılıqlı təsirləri anlamaq üçün çox yaxşı şərh edilə bilən çərçivə verir”, — Dr. Sidhom deyir.

Dr. Sidhom və komandası modeli əvvəlcə 10.224 xəstə və 33 xərçəng növü üzrə 3 milyondan çox somatik variasiya ehtiva edən Xərçəng Genom Atlasından (TCGA) alınan məlumatlarla öyrətdilər.

Daha sonra 805 AML xəstəsinə aid BeatAML2 məlumat bazası ilə bu xəstələrdə genom təsvirləri və immunoterapiya cavabları arasındakı korrelyasiyanı anlamağa çalışdılar. Modelin hər müalicəyə cavabı proqnozlaşdırması üçün çoxnümunəli öyrənmə (bir neçə nümunə əsasında öyrənmə) tətbiq edildi.

Model TCGA-dakı xərçəngə spesifik xəstə kohortlarında proqnozu k-ortalamalar klasterləşdirməsi kimi nəzarətsiz öyrənmə üsulları ilə müəyyən etdi. Bu klasterlər sonra Kaplan–Meier təhlillərinə çevrildi.

Öyrənilən qanunauyğunluqlar sayəsində model hər xərçəng növü üçün qlobal diqqət nümunələrini və mümkün səbəb-nəticə zəncirlərini əks etdirə bildi. Məsələn, kolorektal xərçəngdə APC mutasiyalarından yüksək asılılıq görüldü.

Həmçinin model kolorektal xərçəngin klassik Vogelstein modelini — yəni TP53 → KRAS → APC ardıcıllığını — diqqət çəkiləri ilə əks etdirərək bioloji etibarlılığını sübut etdi.

Kabozantinib kəskin mieloid leykemiyada hələ geniş istifadə olunmasa da, model bu vasitəyə cavabı proqnozlaşdırmağa çalışdı.

Kanonik korrelyasiya: 0.3052 (P < 0.001)
AUC (əyri altındakı sahə): 0.70 həm davamlılıq, həm də həssaslıq üçün.

“Ümid edirik ki, daha çox məlumat və daha güclü modellərlə bu göstərici yaxşılaşacaq”, — Dr. Sidhom deyir.

Bu tədqiqat süni intellektin onkologiyada dəyişdirici potensialını aydın göstərir. Böyük dil modelləri dil mətnləri ilə yanaşı, genetik məlumatları da təhlil edərək proqnozun müəyyənləşdirilməsi və müalicə seçimi kimi mühüm qərarlarda klinisistlərə güclü dəstək verə bilər.

Bu yeni nəsil alətlər dəqiq təbabətin tətbiqini növbəti səviyyəyə qaldıraraq hər xəstəyə uyğun, daha effektiv və fərdiləşdirilmiş müalicə strategiyaları hazırlamağımıza kömək edə bilər.

Gələcəkdə daha çox məlumat və daha təkmil modellərlə bu texnologiyanın xərçənglə mübarizədə rəqəmsal inqilabı mümkün edəcəyi gözlənilir.