سیگار کشیدن را با داروی سرماخوردگی ترک کنید

 به گزارش خبرساز ایران، محققان یک روش یادگیری ماشینی جدید ایجاد کردند که در آن برنامه‌های کامپیوتری مجموعه داده‌ها را برای الگو‌ها و روند‌ها تجزیه و تحلیل می‌کنند تا دارو‌ها را شناسایی کنند و اعلام کردند که برخی از آن‌ها در حال حاضر در آزمایش‌های بالینی در حال آزمایش هستند.

سیگار عامل خطر برای بیماری‌های قلبی عروقی، سرطان و بیماری‌های تنفسی است و سالانه باعث حدود نیم میلیون مرگ در آمریکا می‌شود. سیگار کشیدن را می‌توان آموخت، هر چند ژنتیک نیز در این رفتار سوء نقش دارد.

محققان در یک مطالعه قبلی دریافتند افرادی که دارای ژن‌های خاص هستند، بیشتر احتمال دارد به دخانیات معتاد شوند.

دکتر داجیانگ لیو استاد علوم بهداشت عمومی با استفاده از داده‌های ژنتیکی بیش از ۱.۳ میلیون نفر، رهبری یک پژوهش بزرگ را بر عهده داشت. این داده‌ها درباره ژنتیک افراد و رفتار‌های سیگار کشیدن گزارش‌شده است.

محققان بیش از ۴۰۰ ژن مرتبط با رفتار‌های سیگار کشیدن را شناسایی کردند. از آنجایی که یک فرد می‌تواند هزاران ژن داشته باشد، باید مشخص می‌شد که چرا برخی از این ژن‌ها با رفتار‌های سیگار کشیدن مرتبط هستند.

ژن‌هایی که حاوی دستورالعمل‌هایی برای تولید گیرنده‌های نیکوتین هستند یا در سیگنال‌دهی هورمون دوپامین که به افراد احساس آرامش و شادی می‌دهد دخیل هستند، ارتباط‌های قابل فهمی داشتند.

برای ژن‌های باقی‌مانده، تیم تحقیقاتی باید نقش هر کدام را در مسیر‌های بیولوژیکی تعیین می‌کرد و با استفاده از آن اطلاعات، متوجه می‌شد که چه دارو‌هایی قبلاً برای اصلاح مسیر‌های موجود تأیید شده‌اند.

بیشتر داده‌های ژنتیکی در این مطالعه از افرادی با نژاد اروپایی است، بنابراین مدل یادگیری ماشینی باید نه تنها برای مطالعه آن داده‌ها، بلکه مجموعه داده‌های کوچک‌تری از حدود ۱۵۰۰۰۰ نفر با اجداد آسیایی، آفریقایی یا آمریکایی طراحی شود. بیش از ۷۰ دانشمند روی این پروژه کار کردند.

آن‌ها حداقل هشت دارو را شناسایی کردند که به طور بالقوه می‌توانند برای ترک سیگار استفاده شوند مانند دکسترومتورفان، که معمولا برای درمان سرفه‌های ناشی از سرماخوردگی و آنفلوآنزا استفاده می‌شود و گالانتامین که برای درمان بیماری آلزایمر استفاده می‌شود.این مطالعه در Nature Genetics منتشر شده است.

استفاده مجدد از دارو‌ها با استفاده از داده‌های وسیع زیست پزشکی و روش‌های یادگیری ماشینی می‌تواند در هزینه، زمان و منابع صرفه جویی کند.

دکتر جیانگ گفت: هنوز برای محققان مهم است که پایگاه‌های داده ژنتیکی از افراد با اجداد مختلف بسازند تا مسیر‌های بیولوژیکی بالقوه‌ای را برای درمان‌های مفید مورد هدف قرار دهند.