Journal of Mazandaran University of Medical Sciences

fa هوش مصنوعی در پژوهش استرس اکسیداتیو: انتخاب الگوریتم، شناسایی نشانگرهای زیستی و کشف دارو: مروری Artificial Intelligence in Oxidative Stress Research: Algorithm Selection, Biomarker Discovery, and Drug Development: Narrative Review هوش مصنوعی Artificial Intelligence مروری Review سابقه و هدف: استرس اکسیداتیو حاصل اختلال در تنظیم ردوکس سلولی و برهم‌کنش پیچیده گونه‌های واکنش‌پذیر اکسیژن و نیتروژن با سامانه‌های دفاع آنتی‌اکسیدانی است. تغییرات این فرایند در بیماری‌های التهابی، متابولیک، قلبی‌عروقی، عصبی و سرطان اهمیت دارند، اما تفسیر آن‌ها به دلیل ناهمگنی نمونه‌ها، وابستگی به زمان و پیچیدگی داده‌های مولکولی دشوار است. هدف این مرور، بررسی انتقادی ظرفیت‌ها و محدودیت‌های هوش مصنوعی در تحلیل استرس اکسیداتیو، شناسایی نشانگرهای زیستی و اولویت‌بندی ترکیبات دارویی است. مواد و روش ‌ها: این مطالعه به‌صورت مرور روایتی و بر پایه بررسی موضوعی منابع مرتبط با زیست‌شناسی ردوکس، یادگیری ماشین، داده‌های چنداُمیکس، تصویربرداری سلولی و فارماکولوژی محاسباتی تدوین شد. سازوکار الگوریتم‌ها، تناسب آن‌ها با پرسش زیستی و نوع داده، نمونه‌های کاربردی و محدودیت‌های روش‌شناختی مقایسه شدند. در ارزیابی شواهد، به کیفیت داده، تعداد نمونه، انتخاب ویژگی، نشت اطلاعات، روش‌های اعتبارسنجی و تمایز میان ارتباط آماری و اثبات سازوکار زیستی توجه شد. یافته‌ها: الگوریتم جنگل تصادفی (Random Forest) و روش‌های تقویتی (Boosting) برای تحلیل روابط غیرخطی در داده‌های جدولی مناسب‌اند. ماشین بردار پشتیبان (SVM) در طبقه‌بندی داده‌های پُربعد و روش‌های LASSO و SVM-RFE در انتخاب ویژگی کاربرد دارند. شبکه‌های عصبی عمیق، به‌ویژه مدل‌های کانولوشنی، امکان تحلیل تصاویر سلولی و الگوهای میتوکندریایی را فراهم می‌کنند. ادغام داده‌های چنداُمیکس می‌تواند اولویت‌بندی نشانگرهای مرتبط با دفاع آنتی‌اکسیدانی را بهبود دهد. استنتاج: هوش مصنوعی می‌تواند با تحلیل هم‌زمان داده‌های مولکولی، تصویری و بالینی به تولید فرضیه، انتخاب نشانگر و طراحی پژوهش‌های هدفمند درباره استرس اکسیداتیو کمک کند. انتخاب الگوریتم باید متناسب با ماهیت داده و هدف پژوهش باشد و نتایج با آزمون‌های زیستی مستقل تأیید شوند. استانداردسازی اندازه‌گیری‌ها، گزارش شفاف روش‌ها، اعتبارسنجی خارجی و بررسی سودمندی بالینی برای انتقال یافته‌های محاسباتی به کاربردهای تشخیصی و درمانی ضروری است. این یافته‌ها باید در مطالعات مستقل و با نمونه‌های کافی ارزیابی شوند. کیفیت داده‌ها و پایداری نتایج در جمعیت‌های متفاوت نیز باید بررسی شوند.   Background and purpose: Oxidative stress arises from disruption of cellular redox homeostasis and an imbalance between the production of reactive oxygen and nitrogen species and antioxidant defences. Its contribution to inflammatory, metabolic, cardiovascular, neurological, and malignant disorders varies across biological contexts. Variability in measurement methods and sampling times, together with the complexity of high-dimensional molecular data, complicates the interpretation of oxidative stress. This narrative review critically evaluates the opportunities and limitations of artificial intelligence in oxidative stress research, biomarker discovery, and drug-candidate prioritisation. Materials and methods: The literature on redox biology, machine learning, multi-omics integration, cellular imaging, and computational pharmacology was reviewed thematically. Common algorithms were compared according to their underlying principles, suitability for specific biological questions and data types, and reported applications. Particular attention was paid to sample size, data quality, feature selection, information leakage, validation strategies, and the distinction between statistical associations and biological mechanisms. Results: Random Forest and boosting approaches are suitable for identifying nonlinear patterns in tabular data. Support vector machines can classify high-dimensional observations, while LASSO and recursive feature elimination using support vector machines support feature selection. Deep neural networks, particularly convolutional architectures, enable the analysis of cellular images and mitochondrial phenotypes. Integration of transcriptomic, proteomic, and metabolomic data may improve the prioritisation of candidate biomarkers related to antioxidant defences. Quantitative structure-activity relationship modelling and predictions of absorption, distribution, metabolism, excretion, and toxicity (ADMET) can assist in the early screening of candidate compounds. However, high predictive performance alone does not establish causality, confirm mechanistic validity, or demonstrate clinical benefit. Conclusion: Artificial intelligence can support hypothesis generation, biomarker prioritisation, and the design of more focused studies by integrating molecular, imaging, and clinical data in oxidative stress research. Algorithm selection should be guided by the biological question and data structure rather than predictive accuracy alone. Independent biological experiments, transparent reporting, standardised measurements, external validation, and prospective evaluation of clinical utility remain essential before computational findings can be used to inform diagnosis or treatment. Computational findings should be independently validated using external datasets and biological experiments.   استرس اکسیداتیو, هوش مصنوعی, یادگیری ماشین, بیومارکر, گونه‌های فعال اکسیژن, پزشکی دقیق, کشف دارو oxidative stress, artificial intelligence, machine learning, biomarkers, reactive oxygen species, precision medicine, drug discovery 269 284 http://jmums.mazums.ac.ir/browse.php?a_code=A-10-19714-1&slc_lang=fa&sid=1 Negar Mottaghi-Dastjerdi نگار متقی دستجردی mottaghi.n@iums.ac.ir No Associate Professor, Department of Pharmacognosy and Pharmaceutical Biotechnology, School of Pharmacy, Iran University of Medical Sciences, Tehran, Iran دانشیار، دپارتمان فارماکوگنوزی و بیوتکنولوژی دارویی،دانشکده داروسازی، دانشگاه علوم پزشکی ایران، تهران، ایران Paria Sharafi-Badr پریا شرفی بدر sharafibadr.pr@iums.ac.ir No Assistant Professor, Department of Pharmacognosy and Pharmaceutical Biotechnology, School of Pharmacy, Iran University of Medical Sciences, Tehran, Iran استادیار، دپارتمان فارماکوگنوزی و بیوتکنولوژی دارویی،دانشکده داروسازی، دانشگاه علوم پزشکی ایران، تهران، ایران Fahimeh Safaeinejad فهیمه صفائی نژاد fahimehsafaei@gmail.com Yes Assistant Professor, Department of Pharmacology and Toxicology, School of Pharmacy, Iran University of Medical Sciences, Tehran, Iran استادیار، گروه فارماکولوژی و سم شناسی، دانشکده داروسازی، دانشگاه علوم‌پزشکی ایران، تهران، ایران