کلان‌داده / Big Data چگونه به کشف درمان‌های تازه کمک می‌کند؟

Big Data / کلان‌داده چیست؟

پست‌های شبکه اجتماعی، آرشیو عکس و ویدیو، رفتار خرید، جست‌وجوهای Google، قدم‌ها، ریتم قلب شما (برای مثال با ساعت‌های هوشمند)، بیماری‌ها، مقادیر آزمایش خون و DNAشما... یعنی هر آنچه به انسان و زندگی مربوط است، اکنون ثبت می‌شود و این اطلاعات خام را Big Data (کلان‌داده) می‌نامند.

با Big Data و ابزارهای نسل جدید داده‌کاوی که آن را پردازش می‌کنند، می‌توان از داده‌های بی‌پایان با تنوع بی‌پایان که تاکنون هرگز ثبت و تحلیل نشده‌اند، نتایج معنادار استخراج کرد. بخشی از ارزشمندترین این اطلاعات خام، داده‌های سلامت‌اند.

با شنیدن Big Data، هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و داده‌های ساختاریافته و بی‌ساختار نیز به ذهن می‌آیند. این‌ها اکنون سنگ‌بنای دوره بهره‌وری در بخش سلامت و صنعت دارو هستند.

امروزه بزرگ‌ترین برگ برنده نه‌فقط بخش سلامت، بلکه همه دنیای کسب‌وکار، کلان‌داده و توانایی تحلیل معنادار آن است.

1. هدف گرفتن اهداف بیماریِ شناسایی‌نشده پیشین با Big Data

یکی از امیدبخش‌ترین کاربردهای کلان‌داده، پرداختن به اهدافی است که قبلاً شناسایی نشده‌اند. GSK (GlaxoSmithKline) و Pfizer همراه ارائه‌دهندگان خدمات هوش مصنوعی بر این موضوع تمرکز کرده‌اند. برخی شرکت‌های زیست‌فناوری نیز پلتفرم هوش مصنوعی خود را می‌سازند. Berg Health یکی از آن‌هاست و اکنون با الگوریتم‌های ثبت‌شده یادگیری ماشین، در حوزه مولکولی و بررسی مطالعات کشت سلول بیمار کار می‌کند. با این پژوهش‌ها چند هدف و داروی احتمالی برای فشار چشم (گلوکوم)، طاسی (آلوپسی)، سرطان و اختلالات تحلیل‌برنده عصبی کشف کرده‌اند.

2. یافتن نقطه ضعف HIV، عامل ایدز، با Big Data

گروهی پژوهشی از هنگ‌کنگ روی واکسنی کار می‌کند که با هدف گرفتن بخش درست ویروس HIV بتوان از کپی شدن و تکثیر آن جلوگیری کرد. این کار نیازمند نقشه‌برداری توالی پلی‌پروتئین است و کاربردهای کلان‌داده در همین زمینه به پژوهشگران کمک می‌کنند. از 1918 فرد مبتلا به HIV، تعداد 20.043 توالی گرفته شد و 815 اسید آمینه حاصل از آن با هوش مصنوعی بررسی شد. امید می‌رود این پژوهش برای محدود کردن توان ویروس در جهش و ایجاد عفونت، رویکردهای تازه ایمنی‌درمانی و واکسیناسیون آشکار کند.

3. پیگیری داروها و تداخل‌هایشان با Big Data

یادگیری ماشین با به‌کارگیری روش‌های سریع‌تر و دارای وضوح بالاتر، امکان مشاهده تداخل داروها و جلوگیری از نادیده ماندن برخی نکات را فراهم می‌کند. با این رویکرد به‌ویژه در برابر بیماری‌های نادر با اهداف بسیار کم یا ناشناخته، مزیت‌هایی به دست می‌آید. برای نمایش مولکول‌های مورد بررسی در کاربردهای جدیدِ مطالعات بالینی ، Sanofi در این حوزه کار می‌کند.

4. جست‌وجوی منابع با Big Data / پیگیری متون علمی

با فناوری هوش مصنوعی می‌توان اطلاعات مفید را از تحقیق و توسعه صنعت دارو کارآمدتر استخراج کرد. BenevolentAI با سامانه Judgment Correlation System (JACS)، الگوریتم‌هایی دارد که میلیاردها جمله و بند را در میلیون‌ها مقاله و مرور تفسیر می‌کنند. سپس JACS ارتباط‌های مستقیم با داده‌ها و «واقعیت‌های شناخته‌شده» را شناسایی می‌کند. این واقعیت‌ها بر فرضیه‌های برخی دانشمندان فعال در حوزه تکیه دارند. تیمی از پژوهشگران متخصص نیز نتایج JACS را ارزیابی و بر حسب ارزش اولویت‌بندی می‌کند. شاخه زیست‌پزشکی شرکت این فناوری را در بیماری ALS استفاده می‌کند. موفقیت‌های حاصل از این کار نسبت به موارد قبلی نتایج بسیار مؤثرتری نشان داده‌اند.

5. پژوهش‌های بیمارمحور با Big Data

کاربردهای کلان‌داده نه‌فقط انقلاب در تحلیل، بلکه نوآوری‌های بزرگی در گردآوری داده نیز دارند. LymeDisease.org اخیراً برنامه MyLymeData را معرفی کرد. این برنامه با هدف شتاب دادن به پژوهش‌های بیماری لایم است. بیماری لایم اکنون یکی از شایع‌ترین بیماری‌های منتقل‌شونده از مادر به کودک در آمریکاست و خطاهای تشخیص و درمان آن تا %35-50 می‌رسند. روند تشخیص و درمان لایم بسیاری از بیماران را به‌سختی تحت فشار می‌گذارد. این برنامه با داده‌های هزاران بیمار، وعده نتیجه‌ای درباره اینکه چرا برخی به درمان پاسخ می‌دهند و برخی نمی‌دهند ارائه می‌کند.

6. داده‌های انبوه داروی سرطان با Big Data

با ابتکار CODE-cancer.com (همکاری برای داده‌های انکولوژی اروپا)، امید می‌رود داده‌های گردآوری‌شده از 7 کشور اروپایی و 200 مرکز درمان سرطان در طول 3 سال، راه را برای درمان‌های جدید باز کنند. برنامه این است که این ابتکار طی 10 سال آینده به پوشش 2000 مرکز سرطان گسترش یابد. با داده‌های بزرگ سرطان در این مقیاس، می‌توان مقایسه کرد کدام داروها در کدام سرطان‌ها مؤثرترند.

7. گردآوری داده سلامت با Big Data و هوش مصنوعی

داده‌کاوی در داده‌های ساختاریافته و بی‌ساختار و قابل استفاده کردن آن‌ها، چالش دیگری است. مرکز پژوهش سرطان بریتانیا جایزه‌ای 30 میلیون دلاری به پژوهشگران این حوزه وعده می‌دهد. این کارها نه‌فقط راه کشف دارو، بلکه پژوهش سرطان را نیز باز خواهند کرد. یکی از اهداف پژوهشگران، شناسایی سرطان از پیش، با الگوهایی است که از منابع پزشکی و غیرپزشکی می‌سازند. اگر موفق شوند، با مسئله اخلاقی دیگری نیز مواجه می‌شوند: اگر داده‌های پزشکی افراد به‌آسانی در دسترس باشند و از آن‌ها راه‌حل ساخته شود، آیا ممکن است همین داده‌ها به شکلی دیگر برای مشکل‌آفرینی استفاده شوند؟

موضوعات مرتبط

• فعلاً برای تشخیص زودهنگام سرطان در افراد سالم، نمونه‌برداری مایع توصیه نمی‌کنیم! چرا؟
• مرزهای ذهن انسان، هوش مصنوعی و آینده پزشکی
• آخرین پیشرفت‌های درمان سرطان - در 2018 تعداد 7 روند جهت‌دهنده درمان‌های سرطان