پیش‌بینی الگوهای برهم‌کنش پاتوژن-میکروبیوم با استفاده از شبکه‌های عصبی گراف بر روی داده‌های متاژنومیک سری‌زمانی و توسعه‌ی استراتژی‌های مهندسی زیستی برای بازگردانی هموستاز میکروبیوم

پیش‌بینی الگوهای برهم‌کنش پاتوژن-میکروبیوم با استفاده از شبکه‌های عصبی گراف بر روی داده‌های متاژنومیک سری‌زمانی و توسعه‌ی استراتژی‌های مهندسی زیستی برای بازگردانی هموستاز میکروبیوم

پارمیس ناصری1 یاسین سرواهرابی2

1) گروه زیست شناسی، دانشکده علوم پایه، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. ایمیل:
2) گروه زیست شناسی، دانشکده علوم پایه، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. ایمیل:

کد IOI مقاله : ABGZ-ACZZED
محل انتشار : سومین کنفرانس بین المللی رویکردهای نوین در مهندسی و علوم پایه(icnabs.ir)
چکیده :
    افزایش روزافزون مقاومت ضدمیکروبی و نقش محوری میکروبیوم در سلامت و بیماری، ضرورت توسعه‌ی رویکردهای محاسباتی نوین برای درک برهم‌کنش‌های پاتوژن-میکروبیوم را بیش از پیش آشکار ساخته است. روش‌های سنتی برای ارزیابی تأثیر پاتوژن‌ها بر میکروبیوم، اغلب ایستا بوده و در ثبت پویایی‌های زمانی و برهم‌کنش‌های غیرخطی شبکه‌های اکولوژیک ناتوان هستند. این مرور به کاربرد هوش مصنوعی، به‌ویژه شبکه‌های عصبی گراف (GNNها)، در تحلیل داده‌های متاژنومیک سری‌زمانی برای پیش‌بینی الگوهای تهاجم پاتوژن، تغییرات جمعیتی گونه‌های کلیدی و فروپاشی هموستاز میکروبی (دیس‌بیوزیس) می‌پردازد. یافته‌های ما نشان می‌دهد که مدل‌های یادگیری عمیق مبتنی بر گراف، ظرفیت بالایی در کشف روابط علی و غیرخطی میان آرایه‌های میکروبی دارند و می‌توانند با دقت بالا موفقیت یا شکست پاتوژن را در کلونی‌سازی اکوسیستم میزبان پیش‌بینی کنند. افزون بر این، قابلیت تفسیرپذیری این مدل‌ها از طریق هوش مصنوعی قابل توضیح (XAI)، امکان شناسایی «گونه‌های کلیدی محافظت‌کننده» و «متابولیت‌های کلیدی» را فراهم می‌آورد که به‌عنوان اهداف دقیقی برای مداخلات مهندسی زیستی (مانند پروبیوتیک‌های دقیق یا فاژدرمانی هدفمند) با هدف بازگردانی هموستاز عمل می‌کنند. این رویکرد، نشان‌دهنده‌ی تغییر پارادایمی از پزشکی واکنشی به سمت پزشکی پیش‌بینی‌کننده و شخصی‌سازی‌شده در مدیریت عفونت‌های فرصت‌طلب پاتوژنی است.

کلمات کلیدی : شبکه‌های عصبی گراف برهم‌کنش پاتوژن میکروبیوم پیش‌بینی دیس‌بیوزیس هموستاز میکروبیوم پروبیوتیک‌های دقیق مهندسی زیستی