گام جدید محققان دانشگاه تهران در تحلیل داده‌های زیستی و تصاویر پاتولوژی / درک عمیق‌تر مکانیسم‌های مولکولی بیماری‌ها

پژوهشگران دانشگاه تهران با استفاده از هوش مصنوعی و یادگیری ماشین، گامی نو در تحلیل داده‌های زیستی و تصاویر پاتولوژی برداشتند.

به گزارش روابط‌عمومی دانشگاه تهران، گروهی از پژوهشگران دانشکدگان فنی دانشگاه تهران، به سرپرستی دکتر علی مسعودی‌نژاد، استاد سیستم بیولوژی و بیوانفورماتیک دانشکده علوم مهندسی، با همکاری بهناز حاجی‌ملاحسینی، دانشجوی دکتری بیوانفوماتیک؛ احمدرضا ایرانپور، دانشجوی دانشگاه اوترخت هلند و سودا ایمانی، دانشجوی دانشگاه پازمانی مجارستان و سایر محققان آزمایشگاه سیستم بیولوژی و بیوانفورماتیک (LBB) ، موفق به انجام دو پژوهش علمی نوآورانه در زمینه یادگیری عمیق و پزشکی شخصی‌سازی‌شده شدند.

دکتر مسعودی‌نژاد در این باره گفت: «این مطالعات که در مجلات بین‌المللی انتشارات الزویر به ترتیب با ضریب تأثیر ۱۳ و ۶.۳ منتشر شده‌اند، بر به‌کارگیری مدل‌های هوش مصنوعی برای ارتقای دقت تحلیل داده‌های زیستی و پاتولوژیک تمرکز دارند».

وی افزود: «در نخستین پژوهش، ما با دسته‌بندی روش‌ها در چهار گروه اصلی روش‌های مبتنی بر یادگیری عمیق مانند GAN و autoencoder، روش‌های سنتی مانند تطبیق هیستوگرام، مدل‌های ترکیبی و روش جدید مبتنی بر پردازش سیگنال نشان دادیم که هرکدام از این رویکردها مزایا و محدودیت‌های خاص خود را دارند».

استاد سیستم بیولوژی دانشگاه تهران ادامه داد: «نتایج مطالعه ما بر اهمیت حفظ اطلاعات زیستی در فرآیند نرمال‌سازی و نقش آن در افزایش دقت سیستم‌های تشخیص کامپیوتری تأکید می‌کند».

مسعودی‌نژاد با اشاره به جزئیات پژوهش توضیح داد: «ما علاوه بر مرور دقیق مطالعات پیشین، چارچوبی نوین برای مقایسه‌ی نظام‌مند میان روش‌های نرمال‌سازی ارائه کردیم که امکان ارزیابی عملکرد روش‌ها را در شرایط مختلف فراهم می‌سازد».

وی افزود: «این چارچوب می‌تواند به پژوهشگران و متخصصان پاتولوژی دیجیتال در انتخاب بهینه‌ترین روش متناسب با نوع داده و هدف پژوهش کمک کند».

دکتر مسعودی‌نژاد در مورد پژوهش دوم گفت: «در این مطالعه، تمرکز بر تحلیل داده‌های چنداُمیک (multi-omics) و به‌کارگیری مدل‌های یادگیری عمیق برای پیش‌بینی بقا در بیماران مبتلا به سرطان آندومتریوئید رحم بود».

وی توضیح داد: «در این پژوهش، داده‌های بیان ژن، متیلاسیون DNA و پروتئوم از پروژه‌ی TCGA-UCEC مورد بررسی قرار گرفت و یک خودرمزگذار (autoencoder) جدید با تابع هزینه‌ی اختصاصی طراحی شد تا روابط غیرخطی پیچیده میان ویژگی‌های زیستی و میزان بقا را بهتر شناسایی کند».

این پژوهشگر افزود: «نتایج نشان داد که این رویکرد، اطلاعات مرتبط با بقا را دقیق‌تر از روش‌های معمول استخراج می‌کند و به شناسایی مسیرهای مولکولی کلیدی مانند مسیر ویتامین D و گیرنده گالانین انجامید که با پیش‌آگهی بیماران ارتباط دارند».

دکتر مسعودی‌نژاد در پایان خاطرنشان کرد: «به باور ما، ادغام روش‌های یادگیری عمیق با تحلیل داده‌های زیستی و تصویری می‌تواند به درک عمیق‌تر از مکانیسم‌های مولکولی بیماری‌ها و توسعه راهکارهای شخصی‌سازی‌شده درمانی منجر شود».

1)  Bridging traditional and deep learning methods in H&E histological image normalization: a comprehensive review and introducing a novel framework for comparative analyses.” Journal of Advanced Research (2025).

2)  Molecular landscape of endometrioid Cancer: Integrating multiomics and deep learning for personalized survival prediction.” Computers in Biology and Medicine (2025).