1. معرفی مقاله و اهمیت آن

پاندمی کووید-۱۹، ناشی از ویروس سارس-کوو-۲، چالش‌های بی‌سابقه‌ای را برای بهداشت عمومی جهانی به ارمغان آورد. در مواجهه با شیوع سریع این بیماری، نیاز مبرمی به درک جامع از ویروس، تشخیص مؤثر و یافتن درمان‌های کارآمد احساس شد. سرعت بالای انتشار مقالات علمی و داده‌های بالینی، خود به چالشی بزرگ برای محققان و پزشکان تبدیل گشت و دستیابی به بینش‌های عملی و تصمیم‌گیری سریع را دشوار می‌ساخت.

مقاله “Knowledge4COVID-19: رویکرد معنایی ساخت گراف دانش مرتبط با کووید-19 و تحلیل سمیت درمان‌ها” پاسخی به این معضل است. این تحقیق یک چارچوب نوآورانه را معرفی می‌کند که با هدف یکپارچه‌سازی منابع داده‌ای متفاوت، برای کشف عوارض جانبی داروها ناشی از تداخلات دارویی میان درمان‌های کووید-۱۹ و داروهای مربوط به بیماری‌های زمینه‌ای طراحی شده است. اهمیت این رویکرد در توانایی آن برای تبدیل داده‌های پراکنده به یک ساختار دانش یکپارچه و قابل استدلال نهفته است که می‌تواند به پزشکان در انتخاب درمان‌های ایمن‌تر و مؤثرتر کمک کند. در دوران بحران‌های بهداشتی، ابزارهایی که اطلاعات حیاتی را به سرعت پردازش و ارائه دهند، نقشی حیاتی ایفا می‌کنند.

2. نویسندگان و زمینه تحقیق

این مقاله توسط تیمی متشکل از متخصصان برجسته شامل احمد ساکور، سمانه جوزاشوری، اِمتیس نیازِمند، آریام ریواس، کُستانتینوس بوگیاتیوتیس، فوتیس آییسوپوس، انریکه ایگلسیاس، فیلیپ دی. روده، تروپتی پادیا، آناستازیا کریتارا، گئورگیوس پالیوراس و ماریا-اِستر ویدال تألیف شده است. این ترکیب تیمی نشان‌دهنده ماهیت بین‌رشته‌ای تحقیق در علوم داده، پردازش زبان طبیعی، و انفورماتیک پزشکی است.

زمینه اصلی این تحقیق بر تکنولوژی‌های وب معنایی و گراف‌های دانش (Knowledge Graphs) متمرکز است. گراف‌های دانش به عنوان ابزارهایی قدرتمند برای نمایش سازمان‌یافته و معنایی داده‌ها شناخته می‌شوند که امکان استدلال و کشف روابط پنهان را فراهم می‌آورند. در حوزه پزشکی، که داده‌ها اغلب در فرمت‌های متنوع از منابع مختلف سرچشمه می‌گیرند، گراف‌های دانش می‌توانند راهکاری مؤثر برای غلبه بر چالش‌های یکپارچه‌سازی و تحلیل داده‌ها باشند. این پروژه به ویژه در پاسخ به فراخوان هکاتون پان‌اروپایی #EUvsVirus در آوریل ۲۰۲۰ توسعه یافته است، که اهمیت آن در جامعه علمی و بهداشتی را برجسته می‌سازد.

3. چکیده و خلاصه محتوا

چارچوب Knowledge4COVID-19 با هدف یکپارچه‌سازی منابع دانش ناهمگون برای کشف عوارض جانبی داروها ناشی از تداخلات دارویی بین درمان‌های کووید-۱۹ و داروهای مربوط به بیماری‌های زمینه‌ای (مانند فشار خون بالا، دیابت یا آسم) طراحی شده است. این چارچوب ابتدا بر ساخت گراف دانش Knowledge4COVID-19 (KG) تمرکز دارد که با استفاده از زبان نقشه‌برداری RDF (RDF Mapping Language – RML) و تعریف اعلانی قوانین نگاشت، از منابع داده‌ای مختلف ساخته می‌شود.

از آنجایی که اطلاعات ارزشمندی در مورد درمان‌های دارویی، تداخلات و عوارض جانبی در توضیحات متنی پایگاه‌های داده علمی (مانند DrugBank) یا در ادبیات علمی (مانند مجموعه داده تحقیقاتی باز کووید-۱۹، CORD-19) وجود دارد، چارچوب Knowledge4COVID-19 از پردازش زبان طبیعی (NLP) بهره می‌برد. این قابلیت به استخراج موجودیت‌ها و گزاره‌های مرتبط کمک می‌کند که امکان توصیف دقیق درمان‌های کووید-۱۹ و همچنین شناسایی رویدادهای نامطلوب بالقوه را فراهم می‌آورد. این رویدادها ممکن است در هنگام ترکیب این درمان‌ها با داروهای بیماری‌های هم‌زمان شایع رخ دهند.

علاوه بر این، بر روی گراف دانش ساخته شده، چندین تکنیک برای کشف و پیش‌بینی تداخلات و عوارض جانبی احتمالی داروها توسعه یافته‌اند. هدف نهایی این تکنیک‌ها، پیشنهاد درمان‌های دقیق‌تر و ایمن‌تر برای ویروس است. این چارچوب همچنین خدماتی را برای پیمایش در گراف دانش و تجسم اثراتی که یک گروه از داروها ممکن است بر نتیجه درمان داشته باشند، ارائه می‌دهد. Knowledge4COVID-19 در هکاتون پان‌اروپایی #EUvsVirus در آوریل ۲۰۲۰ شرکت داشت و به عنوان یک منبع عمومی از طریق یک مخزن GitHub و یک DOI در دسترس است.

4. روش‌شناسی تحقیق

روش‌شناسی به کار گرفته شده در چارچوب Knowledge4COVID-19، یک رویکرد چندوجهی و دقیق برای ساخت و بهره‌برداری از یک گراف دانش با کیفیت بالا را نشان می‌دهد. این رویکرد به دو بخش اصلی تقسیم می‌شود:

• ساخت گراف دانش با استفاده از RML:

  مرحله اولیه و اساسی، ساخت گراف دانش Knowledge4COVID-19 (KG) با استفاده از زبان نقشه‌برداری RDF (RML) است. RML یک زبان اعلانی برای تعریف قوانین نگاشت است که امکان تبدیل داده‌ها از منابع ناهمگون به فرمت سه‌گانه RDF را فراهم می‌کند. این ابزار به محققان اجازه می‌دهد تا ساختار و روابط معنایی مورد نظر خود را تعریف کرده و داده‌ها را به یک فرمت استاندارد و قابل فهم برای ماشین‌ها تبدیل کنند. به عنوان مثال، اطلاعات دارویی از DrugBank در قالب جداول، با RML به موجودیت‌های RDF (مانند URI برای دارو) و روابط (مانند “دارو دارای عارضه جانبی X است”) تبدیل می‌شود، که تضمین‌کننده یکپارچگی و ساختاریافتگی داده‌ها در گراف دانش است.

• استخراج اطلاعات با پردازش زبان طبیعی (NLP):

  بخش قابل توجهی از اطلاعات حیاتی در مورد درمان‌های دارویی، تداخلات و عوارض جانبی، در توضیحات متنی پایگاه‌های داده علمی (مانند DrugBank) یا در مقالات تحقیقاتی (مانند CORD-19) وجود دارد. برای بهره‌برداری از این منابع غنی اما unstructured، چارچوب Knowledge4COVID-19 از تکنیک‌های پردازش زبان طبیعی (NLP) پیشرفته استفاده می‌کند. این تکنیک‌ها موجودیت‌های مرتبط (مانند نام داروها، بیماری‌ها، علائم، عوارض جانبی) و گزاره‌ها (روابط بین این موجودیت‌ها، مانند “دارو A باعث تداخل با دارو B می‌شود”) را از متن استخراج می‌کنند. به عنوان مثال، NLP می‌تواند جمله‌ای مانند “مصرف رمدسیویر با کلروکین می‌تواند منجر به آریتمی قلبی شود” را تجزیه و تحلیل کرده و موجودیت‌های “رمدسیویر”، “کلروکین”، “آریتمی قلبی” و رابطه “باعث تداخل با” را شناسایی کند. این فرآیند، امکان توصیف دقیق‌تر درمان‌های کووید-۱۹ و شناسایی رویدادهای نامطلوب بالقوه را فراهم می‌کند که ممکن است در ترکیب درمان‌ها با داروهای بیماری‌های هم‌زمان (مانند داروهای فشار خون، دیابت یا آسم) رخ دهد.

پس از ساخت گراف دانش، لایه‌هایی از تکنیک‌های کشف و پیش‌بینی بر روی آن پیاده‌سازی می‌شوند که با استفاده از الگوریتم‌های گراف یا یادگیری ماشین، می‌توانند تداخلات دارویی جدید یا عوارض جانبی ناشناخته را پیش‌بینی کنند. همچنین، خدماتی برای پیمایش و تجسم گراف دانش ارائه می‌شود که به کاربران امکان می‌دهد روابط پیچیده میان موجودیت‌ها را به صورت بصری درک کرده و سناریوهای مختلف تداخلات دارویی را بررسی کنند.

5. یافته‌های کلیدی

چارچوب Knowledge4COVID-19 موفق به دستیابی به چندین دستاورد مهم و یافته کلیدی شده است که به طور قابل توجهی به درک و مدیریت درمان‌های کووید-۱۹ کمک می‌کند:

• ساخت موفقیت‌آمیز گراف دانش یکپارچه: اصلی‌ترین دستاورد، ساخت یک گراف دانش جامع و یکپارچه است که اطلاعات مربوط به کووید-۱۹ را از منابع ناهمگون جمع‌آوری می‌کند. این گراف شامل موجودیت‌هایی مانند داروها، بیماری‌ها، علائم، پروتئین‌ها، و روابط میان آن‌ها می‌شود.
• شناسایی تداخلات دارویی و عوارض جانبی: قابلیت چارچوب برای شناسایی مؤثر تداخلات دارویی و عوارض جانبی، به ویژه در مورد ترکیب درمان‌های کووید-۱۹ با داروهای بیماری‌های هم‌زمانی، بسیار حائز اهمیت است. برای مثال، این سیستم می‌تواند مشخص کند که داروی Remdesivir ممکن است در بیمارانی که داروهای خاصی برای بیماری‌های قلبی عروقی مصرف می‌کنند، منجر به عوارض جانبی خاصی شود.
• استفاده ترکیبی از RML و NLP: تلفیق موفقیت‌آمیز RDF Mapping Language (RML) برای داده‌های ساختاریافته و پردازش زبان طبیعی (NLP) برای داده‌های unstructured، یک رویکرد قدرتمند برای غلبه بر چالش‌های یکپارچه‌سازی داده‌ها و استخراج دانش عمیق‌تر از منابع مختلف را نشان می‌دهد.
• توسعه تکنیک‌های پیش‌بینی: توسعه تکنیک‌های پیشرفته برای کشف و پیش‌بینی تداخلات و عوارض جانبی داروها بر روی گراف دانش، امکان پیش‌بینی روابط جدیدی را فراهم می‌آورد که ممکن است در داده‌های خام به صراحت ذکر نشده باشند.
• خدمات پیمایش و تجسم: ارائه خدمات برای پیمایش و تجسم گراف دانش، دسترسی به اطلاعات پیچیده را برای کاربران غیرمتخصص آسان می‌کند و به آن‌ها اجازه می‌دهد تا روابط میان داروها، بیماری‌ها و عوارض را به صورت بصری درک کنند.

6. کاربردها و دستاوردها

چارچوب Knowledge4COVID-19 دارای کاربردهای گسترده‌ای در حوزه‌های مختلف پزشکی و بهداشت عمومی است که می‌تواند تأثیرات عمیقی بر کیفیت مراقبت‌های بهداشتی و سرعت تحقیقات داشته باشد:

• پشتیبانی از تصمیم‌گیری بالینی: این سیستم می‌تواند به عنوان یک ابزار پشتیبانی از تصمیم‌گیری بالینی (CDSS) عمل کند. پزشکان می‌توانند با وارد کردن اطلاعات بیمار، هشدارهای فوری در مورد تداخلات دارویی بالقوه یا عوارض جانبی ناخواسته دریافت کنند، که به کاهش خطاهای پزشکی کمک می‌کند.
• کشف و بازآرایی داروها: گراف دانش امکان بازآرایی (repurposing) داروهای موجود را فراهم می‌آورد. با تحلیل روابط میان داروها، بیماری‌ها و مسیرهای بیولوژیکی، می‌توان داروهایی را که در ابتدا برای بیماری‌های دیگر طراحی شده‌اند، برای درمان کووید-۱۹ یا کاهش عوارض آن مورد بررسی قرار داد.
• فارماکوویژیلانس و نظارت بر ایمنی دارو: این چارچوب می‌تواند در فارماکوویژیلانس، یعنی نظارت و ارزیابی عوارض جانبی داروها، نقش مهمی ایفا کند. با به‌روزرسانی مداوم گراف دانش، می‌توان به سرعت الگوهای جدیدی از عوارض جانبی یا تداخلات را شناسایی و به جامعه پزشکی هشدار داد.
• تسریع تحقیقات علمی: با ارائه یک نمای یکپارچه و ساختاریافته از دانش مربوط به کووید-۱۹، محققان می‌توانند به سرعت به اطلاعات مورد نیاز خود دسترسی پیدا کرده و فرضیه‌های تحقیقاتی جدید را تدوین کنند.
• منبع عمومی برای جامعه جهانی: دسترسی عمومی به این چارچوب از طریق GitHub و DOI، آن را به یک منبع ارزشمند برای جامعه علمی جهانی تبدیل کرده است. این دسترسی نه تنها شفافیت را افزایش می‌دهد، بلکه امکان همکاری و توسعه مستمر آن را فراهم می‌آورد. مشارکت در هکاتون #EUvsVirus نیز گواهی بر اهمیت این پروژه در یک محیط بین‌المللی است.

7. نتیجه‌گیری

چارچوب Knowledge4COVID-19 یک گام مهم و رو به جلو در استفاده از تکنولوژی‌های معنایی و گراف‌های دانش برای مقابله با چالش‌های پیچیده پزشکی، به ویژه در شرایط بحرانی مانند پاندمی کووید-۱۹، محسوب می‌شود. این پروژه با موفقیت نشان می‌دهد که چگونه می‌توان اطلاعات پراکنده و ناهمگن را از منابع گوناگون یکپارچه کرد تا بینش‌های حیاتی در مورد تداخلات دارویی و عوارض جانبی بالقوه به دست آورد. توانایی این چارچوب در شناسایی و پیش‌بینی رویدادهای نامطلوب دارویی، پتانسیل عظیمی برای افزایش ایمنی بیمار و بهبود نتایج درمانی دارد.

با تکیه بر زبان نقشه‌برداری RDF (RML) و پردازش زبان طبیعی (NLP)، Knowledge4COVID-19 یک مدل دانش قوی ایجاد می‌کند که نه تنها به عنوان یک منبع اطلاعاتی جامع عمل می‌کند، بلکه بستری برای توسعه الگوریتم‌های پیش‌بینی و ابزارهای پشتیبانی از تصمیم‌گیری بالینی فراهم می‌آورد. دسترسی عمومی به این منبع، همکاری و نوآوری در تحقیقات پزشکی را تسهیل می‌کند و تأثیر آن را فراتر از پروژه اولیه گسترش می‌دهد.

در آینده، می‌توان انتظار داشت که این رویکرد با ادغام داده‌های بالینی بیشتری، به‌روزرسانی‌های بلادرنگ اطلاعات، و گسترش به سایر بیماری‌ها و بحران‌های بهداشتی، تکامل یابد. Knowledge4COVID-19 نه تنها به مقابله با چالش‌های کووید-۱۹ کمک کرده است، بلکه الگویی ارزشمند برای مدیریت دانش پزشکی در آینده ارائه می‌دهد و بر اهمیت یکپارچه‌سازی دانش برای پیشرفت علم و بهبود سلامت عمومی تأکید می‌کند.