ریاضیات در خدمت پزشکی پیشگیرانه

این چارچوب که توسط تیمی ازمحققان به رهبری دانشیار یائو ژیگانگ از گروه آمار و علوم داده‌ها در دانشکده علوم NUS توسعه داده شده است، از تکنیک‌های ریاضی پیشرفته برای تطبیق خمینه‌های کم‌بعد در فضای با ابعاد بالا از نشانگرهای زیستی متابولیک مبتنی بر رزونانس مغناطیسی هسته‌ای (NMR) استفاده می‌کند.این امر به طور موثر نویز را کاهش می‌دهد و الگوهای معناداری را در رابطه با تغییرات متابولیک، آشکار می‌کند. از این داده‌ها می‌توان برای طبقه‌بندی بهتر افراد براساس مشخصات متابولیک و خطر ابتلا به بیماری مرتبط با آن استفاده کرد. در این پژوهش پروفسور یائو شینگ-تونگ از دانشگاه تسینگ هوآ (دانشگاه ملی تحقیقاتی تایوان) نیز همکاری داشته است. یافته‌های آنها در مجموعه مقالات آکادمی ملی علوم (PNAS) منتشر شد.
 
استفاده از روش‌های تحلیل ساختارهای پیچیده برای شناسایی تفاوت‌های متابولیکی در بدن
پروفایل‌سازی متابولومیکی، به‌ویژه از طریق نشانگرهای زیستی مبتنی بر NMR، بینش‌های ارزشمندی در مورد متابولیسم انسان ارائه می‌دهد. با این حال، پیچیدگی و ابعاد چنین داده‌هایی مدت‌هاست که تکنیک‌های تحلیلی مرسوم را به چالش کشیده است. روش‌های سنتی اغلب برای کشف تغییرات بیولوژیکی ظریف وساختار‌مندی که زیربنای خطرابتلا به بیماری‌ها هستند، ناتوان عمل می‌کنند.چارچوب جدید، گامی مهم درغلبه براین محدودیت‌هابه‌شمار می‌رود. این روش باخوشه‌بندی ۲۵۱نشانگر زیستی متابولیکی آغاز می‌شود که از بیش از ۲۱۰هزار شرکت‌کننده در پایگاه داده بیوبانک انگلستان اندازه‌گیری شده‌اند و آنها را در قالب هفت دسته با معنا و زیست‌شناختی سازماندهی می‌کند؛ دسته‌هایی که بازتاب‌دهنده ساختار ماژولار متابولیسم انسانی هستند. سپس، از برازش خمینه (manifold fitting) برای هر دسته استفاده می‌شود تا ساختارهای نرم و کم‌بعدی آشکار شوند که تغییرات اساسی در وضعیت‌های متابولیکی را دربر می‌گیرند.در مرکز این چارچوب تحلیلی، ماژول برازش خمینه قرار دارد؛ ماژولی که توزیع افراد را در یک فضای کم‌بعدی براساس پروفایل‌های متابولیکی‌شان مدل‌سازی می‌کند. این بازنمایی هندسی نه‌‌تنها نوفه (noise) را کاهش می‌دهد بلکه با آشکارسازی الگوهای متابولیکی منسجم و قابل تفسیر که با وضعیت سلامت و بیماری مرتبط هستند، قابلیت تبیین را نیز به‌ طور چشمگیری افزایش می‌دهد.
نوآوری کلیدی این روش در توانایی آن برای طبقه‌بندی دقیق جمعیت نهفته است. درسه مورد ازهفت دسته زیستی، خمینه‌های برازش ‌شده افراد را به‌‌روشنی به دو زیرگروه عمده تقسیم می‌کنند که هرکدام با ریسک‌های متمایزی برای بیماری‌هایی مانند اختلالات متابولیکی، بیماری‌های قلبی‌عروقی و بیماری‌های خودایمنی مرتبط‌ هستند.
در یک سخنرانی عمومی در کنگره بین‌المللی ریاضیدانان چینی (ICCM) در سال ۲۰۲۵، استادیار پروفسور یائو توضیح داد: «رویکرد جدید به ما این امکان را می‌دهد که زیرگروه‌های متابولیکی معنادار را از طریق برازش خمینه‌های کم‌بعدی بر روی داده‌های پر‌بُعد نشانگرهای زیستی شناسایی کنیم. این امر توان ما را در برقراری ارتباط میان وضعیت‌های متابولیکی و استعداد ابتلا به بیماری به شکل چشمگیری بهبود خواهد داد.»
در مقایسه با روش‌های تحلیلی سنتی، این چارچوب مبتنی بر خمینه عملکرد برتری در حفظ سیگنال‌های زیستی، شناسایی زیرگروه‌های مرتبط با بیماری، و هم‌راستایی با عوامل جمعیتی، بالینی و سبک زندگی نشان می‌دهد. این مزایا، آن را به ابزاری قدرتمند در پژوهش‌های متابولیکی و کاربردهای سلامت دقیق (precision health) تبدیل کرده‌اند.
 
ارتقای بینش ژنتیکی در سلامت متابولیک
با تکیه بر موفقیت این چارچوب، تیم تحقیقاتی اکنون در حال بررسی چندین جهت امیدوارکننده برای تعمیق درک خود از ناهمگونی متابولیک و پیامدهای بالینی آن است.
یکی از راه‌های کلیدی شامل ادغام داده‌های ژنتیکی با زیرگروه‌های متابولیکی شناسایی‌شده است. محققان با انجام مطالعات ارتباط در سطح ژنوم در هر زیرگروه تعریف‌شده توسط خمینه، قصد دارند انواع ژنتیکی مرتبط با الگوهای متابولیکی خاص را کشف کنند. این امر می‌تواند بینش‌های مهمی در مورد اساس ارثی تنوع متابولیکی ارائه دهد و به روشن شدن معماری ژنتیکی زیربنایی صفات متابولیکی پیچیده و خطرات بیماری مرتبط با آنها کمک کند.
تمرکز دیگر، تجزیه و تحلیل طولی خمینه‌های متابولیکی برای ارزیابی پایداری آنها در طول زمان و ارزیابی پتانسیل آنها به عنوان نشانگرهای زیستی پیش‌بینی‌‌کننده است. تیم پژوهشی با تجزیه و تحلیل داده‌های متابولومیک سری زمانی، در تلاش است تا ردیابی کند افراد چگونه در طول زمان بین وضعیت‌های متابولیکی جابه‌جا می‌شوند و آیا این تغییرات با شروع یا پیشرفت بیماری مرتبط هستند یاخیر.چنین یافته‌هایی می‌تواند راه رابرای سیستم‌های تشخیص زودهنگام و مداخلات پیشگیرانه با زمان‌بندی دقیق‌تر هموار کند.
استادیار پروفسور یائو در ادامه افزود: «چارچوب ما نه‌‌تنها ساختار فعلی تنوع متابولیکی را ثبت می‌کند بلکه پایه‌ای برای بررسی ریشه‌های ژنتیکی و پویایی‌های زمانی آن فراهم می‌سازد این مسیرهای آینده می‌توانند نقش بزرگی در ارتقای مراقبت‌های سلامت فردمحور از طریق امکان پاسخ‌های زودتر و دقیق‌تر به ریسک‌های متابولیکی، ایفا کنند.»
این پژوهش در حال انجام، به گسترش مرزهای دانش در زمینه پروفایل‌سازی متابولیکی ادامه می‌دهد و بستری قوی و انعطاف‌پذیر برای مطالعات سلامت جمعیت و پزشکی دقیق فراهم می‌آورد.