การปรับปรุงแบบจำลองการเรียนรู้เชิงลึกเพื่อทำนายการเสริมฤทธิ์ของยาคู่ผสมสำหรับรักษาโรคมะเร็งโดยอาศัยข้อมูลโครงสร้างโมเลกุลยาและพหุโอมิกส์

ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์

ติสรณ์ ณ พัทลุง, เมธิน โฆษิตชุติมา, กิตติพัศ พงศ์อรุโณทัย

อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์

บัณฑิต บุญยฤทธิ์, ธนศานต์ นิลสุ

โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์

โรงเรียนกำเนิดวิทย์

ปีที่จัดทำโครงงานวิทยาศาสตร์

พ.ศ. 2565

บทคัดย่อโครงงานวิทยาศาสตร์

โรคมะเร็ง (cancer) เป็นโรคที่เกิดจากความผิดปกติของเซลล์ภายในร่างกายที่อาจเป็นผลมาจากความผิดปกติในระดับยีน จากสถิติในปี พ.ศ. 2563 มีผู้ป่วยโรคมะเร็งกว่า 19.3 ล้านราย และมีผู้เสียชีวิตมากกว่า 10.0 ล้านรายทั่วโลก สำหรับการรักษาโรคมะเร็งยังคงเป็นไปได้ด้วยความท้าทายเป็นอย่างมาก เนื่องจากเซลล์มะเร็งมีกลไกการเกิดและการทำงานที่ซับซ้อน ทำให้ในบางครั้งการรักษาด้วยการใช้ยาเคมีบำบัดหรือการใช้ยามุ่งเป้าโดยอาศัยตัวยาเพียงชนิดเดียวอาจมีประสิทธิภาพไม่มากเท่าที่ควร ในปัจจุบันจึงมีการศึกษาการใช้การรักษาด้วยยาคู่ผสม (drug combination) ซึ่งเป็นการใช้ยาเพื่อการรักษาพร้อมกันมากกว่าหนึ่งชนิดเพื่อทำให้เกิดการเสริมฤทธิ์ยา (drug synergy) โดยปกติการหาคู่ยาที่เสริมฤทธิ์จะต้องทดลองในห้องปฏิบัติการร่วมกับการใช้ข้อมูลพหุโอมิกส์ (multi-omics) ของเซลล์มะเร็ง ซึ่งวิธีการนี้จะต้องใช้ระยะเวลาและงบประมาณในการทดสอบ ดังนั้น การเรียนรู้เชิงลึกจึงเข้ามามีบทบาทสำคัญในการช่วยค้นหาคู่ยาให้เหมาะสมกับผู้ป่วยโรคมะเร็งและแก้ไขข้อจำกัดดังกล่าว อย่างไรก็ตาม แบบจำลองการเรียนรู้เชิงลึกที่มีอยู่ส่วนใหญ่มีการพิจารณาโครงสร้างโมเลกุลยาร่วมกับข้อมูลพหุโอมิกส์เฉพาะข้อมูลการแสดงออกของยีนจากเซลล์มะเร็งเท่านั้น ยังไม่ได้คำนึงถึงข้อมูลการแสดงออกของโปรตีนซึ่งเป็นข้อมูลที่มีความสำคัญที่บ่งบอกถึงปฏิสัมพันธ์ระหว่างยากับเป้าหมายยาและยังบอกถึงกลไกของการเกิดโรคมะเร็ง จากปัญหาที่ได้กล่าวมา ทีมผู้วิจัยจึงสนใจที่จะพัฒนาแบบจำลองการเรียนรู้เชิงลึก SynMOGN สำหรับทำนายการเสริมฤทธิ์ของยาคู่ผสมในการรักษาโรคมะเร็ง โดยอาศัยข้อมูลโครงสร้างทางเคมีของยาคู่ผสม และข้อมูลการแสดงออกของยีนและโปรตีนที่ได้จากเซลล์มะเร็งของมนุษย์ ผ่านโครงข่ายประสาทเทียมแบบกราฟและโครงข่ายประสาทเทียมเชิงลึก จากผลการทดลองพบว่า แบบจำลอง SynMOGN-GATFP ที่มีการเรียนรู้ข้อมูลโครงสร้างโมเลกุลแบบกราฟ (molecular graph) ผ่าน graph attention network พร้อมกับข้อมูลลายพิมพ์ของโมเลกุล (molecular fingerprint) ผ่านโครงข่ายประสาทเทียมเชิงลึก สามารถให้ประสิทธิภาพการทำนายการเสริมฤทธิ์ของยาคู่ผสมได้ดีในชุดการศึกษา ONEIL, FRIEDMAN และ ASTRAZENECA อีกทั้งยังให้ประสิทธิภาพการทำนายที่ดีกว่าแบบจำลองร่วมสมัย (state-of-the-art) และแบบจำลองมาตรฐาน ได้แก่ DeepSynergy, DeepDDS และ XGBoost บนชุดการศึกษา ALMANAC ที่มีการแยกชนิดเซลล์มะเร็ง ได้แก่ เซลล์มะเร็งเต้านม เซลล์มะเร็งปอด เซลล์มะเร็งรังไข่ และเซลล์มะเร็งผิวหนัง นอกจากนี้แบบจำลองที่พัฒนาขึ้นสามารถทำนายการเสริมฤทธิ์ของยาคู่ผสมโดยสอดคล้องกับข้อมูลงานวิจัยที่มีการศึกษาก่อนหน้า และยังสามารถตีความให้ข้อมูลยีนที่สำคัญซึ่งสอดคล้องกับกลไกของการเกิดโรคมะเร็ง และแสดงถึงโครงสร้างย่อยที่สำคัญในโมเลกุลที่ส่งผลต่อการทำนายการเสริมฤทธิ์ของยาได้ แบบจำลองที่พัฒนาขึ้นนี้จะสามารถทำนายการเสริมฤทธิ์ของยาคู่ผสมเพื่อให้การรักษาโรคมะเร็งมีประสิทธิภาพมากขึ้น โดยจะเพิ่มโอกาสในการจัดสรรคู่ยาที่นำไปสู่ผลการทดสอบในห้องปฏิบัติการที่ดีขึ้น นอกจากนี้ยังเป็นแบบจำลองต้นแบบที่สามารถปรับใช้กับโรคอุบัติใหม่หรือโรคที่มีอุบัติการณ์สูงได้อีกด้วย