يصيب مرض ألزهايمر نحو 50 مليون شخص في العالم، لكن الأدوية التي تؤثر في الآليات المبكرة تكاد تكون معدومة. والراباميسين، وهو دواء معتمد من إدارة الغذاء والدواء الأمريكية (FDA)، يُبطئ الشيخوخة ويحمي الخلايا العصبية، غير أن تقييم أثره صعب بسبب كثرة العوامل المتداخلة: الوراثة، والأيض، والالتهاب، والأوعية الدموية. والنماذج التقليدية للذكاء الاصطناعي في هذا المجال تضع التشخيص عادةً بدل أن تتوقّع الاستجابة للعلاج. ويقف هذا العمل بمعزل عن الدراسات المجاورة التي تركّز على تصنيف مرض ألزهايمر بالتصوير بالرنين المغناطيسي أو بالبيانات الوراثية، إذ يطبّق للمرة الأولى مقاربة متعددة الأنماط للتنبؤ بالعلاج بالراباميسين تحديدًا.
جمع الباحثون بيانات 23 مريضًا تتراوح أعمارهم بين 40 و60 عامًا من كولومبيا في ولاية ميزوري، وكان لكل مريض قياسان: قبل العلاج وبعده. وضمّت ثمانية أنواع من البيانات التصوير البنيوي بالرنين المغناطيسي، والتصوير بالتروية، ومؤشرات الالتهاب، وأيضات الدم، وتدفق الدم الدماغي، والميكروبيوم، وتحليل الدم الشامل، والبيانات السكانية. وفي البداية اختارت الغابة العشوائية 27 من أهم السمات الجدولية، مع الاحتفاظ بثلاث سمات على الأقل من كل نمط. ثم حوّل مُرمِّزات منفصلة كل نوع من البيانات إلى تضمينات (embeddings)، جرى مواءمتها عبر التعلّم التقابلي (contrastive learning): فتتقارب سمات المريض الواحد وتتباعد سمات المرضى المختلفين. وأخيرًا دمج المحوّل (transformer) التضمينات وتوقّع حالة العلاج. وللتقييم استُخدم تقسيم حسب المرضى: 16 للتدريب، و3 للتحقق، و4 للاختبار، وأُعيد ذلك 10 مرات بتقسيمات مختلفة.
بدون ترشيح السمات أعطى النموذج دقة تقارب 50%، أي مستوى عشوائيًا. وبعد إضافة الغابة العشوائية ارتفع متوسط الدقة إلى 71.25% عبر 10 تشغيلات. وتراوحت النتائج بين 50% و87.5% بحسب التقسيم. ومن بين السمات المختارة هيمنت مؤشرات تحليل الدم الشامل (RDW CV %) ومؤشر الالتهاب MIP-1α. وأسهمت أيضات الدم بـ14 سمة من أصل 27، وإن كانت أضعف منفردة. وأكّد تحليل SHAP أن الدم والالتهاب يقدّمان أكبر إسهام في التنبؤات، وأن البيانات السكانية شبه غير مهمة. أما التصوير بالرنين المغناطيسي والميكروبيوم فقد أضافا معلومات معتدلة لكن مفيدة.
يختلف هذا العمل عن الدراسات المجاورة في أنه، بدل تشخيص مرض ألزهايمر، يتوقّع الاستجابة لعلاج محدّد، جامعًا ثمانية مصادر متغايرة من البيانات. فالدراسات المجاورة في الأرشيف تركّز على تصنيف مراحل المرض من صور الدماغ أو المؤشرات الوراثية، بينما يُختبر هنا للمرة الأولى ما إذا كان بالإمكان التقاط أثر العلاج في عيّنة صغيرة. ويُظهر نجاح ترشيح السمات أن المفتاح، حين يكون عدد المرضى قليلًا، ليس تعقيد النموذج بقدر ما هو تنقية البيانات الداخلة من الضجيج. وهذا يفتح الطريق إلى البحث عن مؤشرات حيوية للاستجابة للراباميسين وإلى تخصيص العلاج لكل مريض.
قد يتطوّر هذا الموضوع نحو توسيع العيّنة وإدماج مجموعات سكانية أكثر تنوّعًا، لأن المرضى الحاليين في معظمهم من العرق الأوروبي. وإضافة بيانات طولية ستتيح نمذجة الآثار طويلة الأمد للعلاج، لا مجرد تحوّل قصير الأمد. ومن الممكن أيضًا إجراء دراسات استئصالية (ablation) لمقارنة طرائق مختلفة في اختيار السمات والمعماريات. وقد يكشف تحليل مناطق دماغية بعينها قبل العلاج وبعده عن مراسلات تشريحية عصبية للاستجابة.
قد تكون هذه الطريقة مفيدة في التجارب السريرية لتصنيف المرضى وتحديد من يُرجّح أن يستجيب للعلاج. كما تنطبق على أمراض تنكّسية عصبية أخرى واضطرابات مرتبطة بالعمر، حيث تكون المؤشرات الحيوية الجهازية مهمة.
الخطوة التالية هي التحقق على مجموعة أكبر وأكثر تنوّعًا، وكذلك فحص قابلية إعادة إنتاج السمات المختارة. ومن المفيد إجراء استئصال لبيان إسهام كل مرحلة: الترشيح، والتعلّم التقابلي، والمحوّل.
لا تزال مشكلة التعامل مع العيّنات الصغيرة والبيانات عالية الأبعاد قائمة في مجال الذكاء الاصطناعي الطبي، حيث تنزع النماذج إلى فرط التخصيص (overfitting). ويقترح هذا العمل حيلة محدّدة، هي ترشيح السمات بغابة عشوائية قبل التعلّم العميق، ويمكن تعميمها على مهام أخرى بمجموعات مرضى صغيرة.
استُخلص الراباميسين أول مرة من بكتيريا وُجدت في تربة جزيرة الفصح (رابا نوي)، ومن هنا جاء اسمه. ويكبح الدواء مسار التأشير mTOR الذي ينظّم نمو الخلايا والشيخوخة، ويطيل عمر الفئران بنسبة 10 إلى 15%.
فكرة التنبؤ باستجابة الجسم للدواء انطلاقًا من إشارات حيوية متعددة تتقاطع مع رواية فرانك هربرت «الكثيب» (Dune)، حيث يستعين الأطباء بمنظومات تشخيص معقّدة لتقييم حالة الإنسان. غير أننا هنا، بخلاف الخيال العلمي، نتحدث عن بيانات حقيقية من الدم والدماغ.
لم يُنشر على arXiv. هنا صفحته وملف PDF والصياغة الشكلية: يمكنك التحقق بنفسك، لا مجرد قراءة تحليلنا.