دوره 36، شماره 264 - ( ویژه نامه آبان 1405 )                   جلد 36 شماره 264 صفحات 233-218 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Safaeinejad F, Soltany-Rezaee-Rad M, Mottaghi-Dastjerdi N. Decoding and Overcoming Cancer Drug Resistance through the Integration of Artificial Intelligence and Network Pharmacology: From Molecular Mechanisms to Therapeutic Vulnerabilities. , J Mazandaran Univ Med Sci. 2026; 36 (264) :218-233
URL: http://jmums.mazums.ac.ir/article-1-23187-fa.html
صفائی نژاد فهیمه، سلطانی رضایی راد محمد، متقی دستجردی نگار. رمزگشایی و غلبه بر مقاومت دارویی سرطان با فارماکولوژی شبکه‌ای مبتنی بر هوش مصنوعی: از سازوکارهای مولکولی تا آسیب‌پذیری‌های درمانی. , مجله دانشگاه علوم پزشکی مازندران. 1405; 36 (264) :218-233

URL: http://jmums.mazums.ac.ir/article-1-23187-fa.html


چکیده:   (18 مشاهده)
مقاومت دارویی در سرطان فرایندی تکاملی است که بر اثر تغییرات ژنتیکی، بازبرنامه‌ریزی اپی‌ژنتیکی، تغییر در انتقال و متابولیسم دارو، نقص در ترمیم DNA، اختلال در مرگ سلولی، فعال‌شدن مسیرهای جبرانی، انعطاف‌پذیری فنوتیپی و اثرات ریزمحیط تومور شکل می‌گیرد. تعامل این سازوکارها پاسخ به درمان را محدود می‌کند و توضیح مقاومت بر پایه یک هدف را ناکافی می‌سازد. هوش مصنوعی می‌تواند داده‌های مولکولی، تصویربرداری، فارماکولوژیک و بالینی را تحلیل کند و برای شناسایی الگوهای پنهان، پیش‌بینی پاسخ دارویی، کشف نشانگرهای زیستی و طبقه‌بندی بیماران به کار رود. بااین‌حال، عملکرد پیش‌بینی به‌تنهایی سازوکار زیستی یا سودمندی بالینی را اثبات نمی‌کند. فارماکولوژی شبکه‌ای با ترسیم ژن‌ها، پروتئین‌ها، مسیرها، داروها و اهداف مولکولی در شبکه‌های برهم‌کنشی، چارچوبی تحلیلی فراهم می‌کند. این مرور روایتی انتقادی، با پشتیبانی جست‌وجوی ساختاریافته منابع تا اوت ۲۰۲۶، بررسی می‌کند که ادغام هوش مصنوعی و فارماکولوژی شبکه‌ای چگونه می‌تواند به رمزگشایی مقاومت تطبیقی دارویی و شناسایی آسیب‌پذیری‌های درمانی قابل‌هدف کمک کند. مقاله نقش‌های متمایز یادگیری ماشین، یادگیری عمیق، مدل‌سازی گرافی، تحلیل تک‌سلولی، ادغام چنداُمیکس، هوش مصنوعی توضیح‌پذیر و هوش مصنوعی مولد را از روش‌های شبکه‌ای تفکیک می‌کند و سپس کاربرد تلفیقی آن‌ها را در‌ کشف نشانگر، اولویت‌بندی اهداف، بازموضع‌یابی دارو، پیش‌بینی ترکیبات هم‌افزا و طراحی درمان شخصی‌سازی‌شده ارزیابی می‌کند. مطالعات منتخب در انواع اصلی سرطان بر اساس سطح شواهد برای ارتباط آماری، پیش‌بینی اعتبارسنجی‌شده، سازوکار تجربی یا کاربرد بالینی مقایسه می‌شوند. توجه ویژه به مقاومت ناشی از مسیرهای فرار، ناقل‌های خروجی، تغییر اهداف دارویی، ترمیم DNA، سلول‌های بنیادی سرطانی، سازگاری متابولیک و تعاملات ریزمحیطی اختصاص یافته است. انتقال این رویکرد به بالین همچنان با ناهمگونی داده‌ها، حجم نمونه محدود، بیش‌برازش، سوگیری الگوریتمی و جمعیتی، شبکه‌های زیستی ناقص، تفسیرپذیری محدود، بازتولیدپذیری ناکافی و کمبود اعتبارسنجی خارجی یا آینده‌نگر مواجه است. ادغام مدل‌های پیش‌بینی با تحلیل شبکه‌ای سازوکارمحور و اعتبارسنجی آزمایشگاهی می‌تواند مسیر قابل‌اعتمادتری از سیگنال‌های محاسباتی به فرضیه‌های بالینی و راهبردهای منطقی غلبه بر مقاومت فراهم کند.

 
متن کامل [PDF 960 kb]   (14 دریافت)    
نوع مطالعه: مروری | موضوع مقاله: هوش مصنوعی

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله دانشگاه علوم پزشکی مازندران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Journal of Mazandaran University of Medical Sciences

Designed & Developed by : Yektaweb