چکیده  
بیماری پارکینسون، دومین اختلال نورودژنراتیو شایع پس از آلزایمر، با از دست دادن پیشرونده نورون‌های دوپامینرژیک مرتبط است. علیرغم پیشرفت‌های اخیر، مکانیسم‌های ژنتیکی دقیق این بیماری و درمان‌های مؤثر برای مهار پیشروی آن همچنان ناشناخته باقی مانده‌اند. در این راستا، پژوهشگران مرکز ژنوم کلینیک کلیولند (CCGC) با استفاده از مدل‌های پیشرفته هوش مصنوعی و رویکرد «زیست‌شناسی سیستم‌ها»، موفق به شناسایی ژن‌های کلیدی مؤثر در پیشروی پارکینسون و کشف داروهای موجود تأییدشده توسط سازمان غذا و داروی آمریکا (FDA) شدند که امکان بازپروفسایلینگ آن‌ها برای درمان این بیماری وجود دارد. این مقاله مروری، با تمرکز بر یافته‌های اخیر، به تحلیل نقش هوش مصنوعی در کشف عوامل ژنتیکی پارکینسون و چالش‌های پیش‌رو می‌پردازد.

---

مقدمه  
بیماری پارکینسون با تخریب نورون‌های دوپامینرژیک در جسم سیاه مغز همراه است و علائمی مانند لرزش، کندی حرکات و اختلالات شناختی را ایجاد می‌کند. با وجود شناسایی برخی جهش‌های ژنتیکی مرتبط (مانند SNCA و LRRK2)، بیش از ۹۰٪ موارد پارکینسون بدون علت ژنتیکی واضح رخ می‌دهند و جهش‌ها غالباً در مناطق غیرکدکننده DNA قرار دارند که تنظیم بیان ژن‌ها را مختل می‌کنند . این پیچیدگی، تحلیل داده‌های چندوجهی (ژنومیک، پروتئومیک و دارویی) را ضروری می‌سازد. هوش مصنوعی با توانایی ادغام و کشف الگوهای پنهان در داده‌های حجیم، به عنوان ابزاری کلیدی در این زمینه ظهور کرده است.

---

 روش‌شناسی: ادغام زیست‌شناسی سیستم‌ها و هوش مصنوعی  
پژوهشگران CCGC از یک چارچوب مبتنی بر **زیست‌شناسی سیستم‌ها** استفاده کردند که سه لایه داده را ترکیب می‌کند:  
۱. داده‌های ژنتیکی: شامل واریانت‌های نواحی غیرکدکننده DNA و ارتباط آن‌ها با بیان ژن‌ها در مغز.  
۲. داده‌های پروتئومی: بررسی تأثیر جهش‌ها بر تعاملات پروتئین-پروتئین در شبکه اینتراکتوم.  
۳. داده‌های دارویی: غربالگری داروهای موجود FDA برای هدف‌گیری ژن‌های شناساییشده.  

مدل هوش مصنوعی طراحی‌شده، با استفاده از الگوریتم‌های یادگیری عمیق، این داده‌ها را ادغام و تحلیل کرد تا ارتباطات غیرخطی بین واریانت‌های ژنتیکی و مسیرهای التهابی مغز را شناسایی کند. این رویکرد چندوجهی، امکان کشف ژن‌هایی مانند **SNCA** (مربوط به تجمع پروتئین آلفا-سینوکلئین) و **LRRK2** (نقش در تنظیم سیستم ایمنی عصبی) را فراهم آورد که پیش‌ازاین با تحلیل تک‌بعدی داده‌ها قابل تشخیص نبودند .

---

یافته‌های کلیدی  
۱. شناسایی ژن‌های پرخطر:  
   - مدل هوش مصنوعی، واریانت‌های نواحی تنظیمی DNA را به ژن‌های خاصی در مغز مرتبط ساخت که جهش در آن‌ها منجر به فعال‌سازی مسیرهای التهابی و تخریب نورون‌ها می‌شود.  
   - علاوه بر SNCA و LRRK2، ژن‌های جدیدی مانند **GBA** و **VPS35** نیز به عنوان عوامل خطر احتمالی شناسایی شدند .  

۲. کشف داروهای بازپروفسایلشده:  
   - با استفاده از پایگاه‌های داده دارویی، چندین داروی تأییدشده FDA (مانند مهارکننده‌های کیناز) شناسایی شدند که قابلیت هدف‌گیری ژن‌های شناساییشده را دارند.  
   - این استراتژی می‌تواند زمان توسعه درمان را از ۱۵ سال به کمتر از ۵ سال کاهش دهد .  

۳. الگوهای چندوجهی در پیشروی بیماری:  
   - ترکیب داده‌های پروتئومی و ژنتیکی نشان داد که جهش در ژن‌های تنظیم‌کننده متابولیسم لیپیدها، با تجمع پروتئین‌های سمی در مغز مرتبط است .

---

 مقایسه با پژوهش‌های پیشین  
- تشخیص زودهنگام با یادگیری عمیق: مطالعات پیشین عمدتاً بر تشخیص پارکینسون از طریق علائم حرکتی (مانند تحلیل دستخط یا الگوی راه رفتن) متمرکز بودند . در مقابل، این پژوهش اولین مطالعه در سطح ژنومیک است که از هوش مصنوعی برای کشف مکانیسم‌های علّی بیماری استفاده می‌کند.  
- رویکردهای چندوجهی: پژوهش‌هایی مانند Huang et al. (2024) نیز از ادغام داده‌های تصویربرداری مغزی و بالینی برای تشخیص پارکینسون بهره بردند، اما تمرکز آن‌ها بر علائم بالینی بود، نه شناسایی ژن‌ها .  

---

چالش‌ها و محدودیت‌ها  
۱. پیچیدگی داده‌های اُمیك: ادغام داده‌های ژنومیک، پروتئومیک و دارویی نیازمند الگوریتم‌های پیشرفته‌تری برای مدیریت نویز و ناهمگونی داده‌هاست .  
۲. تفسیرپذیری مدل‌ها: اگرچه هوش مصنوعی الگوها را کشف می‌کند، تفسیر بیولوژیکی این الگوها همچنان نیازمند آزمایش‌های in vitro و in vivo است .  
۳. اعتبارسنجی بالینی: داروهای بازپروفسایلشده باید در کارآزمایی‌های بالینی متنوعی از نظر اثربخشی و ایمنی ارزیابی شوند .  

---

نتیجه‌گیری و جهت‌گیری آینده  
این پژوهش گامی نوین در درک مولکولی پارکینسون و شخصی‌سازی درمان است. جهت‌گیری‌های آینده شامل:  
- گسترش مدل‌های هوش مصنوعی به داده‌های اپی‌ژنتیک و متابولومیک.  
- توسعه پلتفرم‌های یکپارچه برای شبیهسازی اثر داروها بر شبکه‌های ژنی.  
- همکاری بین‌المللی برای ایجاد پایگاه‌های داده جامع تر .  

این مطالعه نه تنها امیدی برای بیماران پارکینسون ایجاد می‌کند، بلکه چارچوبی برای مقابله با سایر بیماری‌های نورودژنراتیو ارائه می‌دهد.  

---  
منابع
تمامی اطلاعات استنادشده از مقالات منتشرشده در مجله «npj Parkinson's Disease» و پایگاه‌های معتبر دیگر استخراج شده‌اند .