به گزارش خبرنگار مهر، باوجود تمام پیشرفت‌ها، پاتولوژی مولکولی سرطان به جای بررسی تمام ژن‌ها محدود به استفاده از شمار اندکی از زیست‌نشانگرها است.
بخشی از این محدودیت به علت چالش‌های موجود در آنالیز کامپیوتری داده‌ها ایجاد شده است.
به منظور غلبه بر این مشکل، محققان پژوهشگاه رویان، دانشگاه صنعتی شریف و دانشگاه ایالتی کلرادو، شبکه‌های عصبی ژرفی (DNNs) را معرفی کردند که قادر به استنتاج هم‌زمان ویژگی‌های گوناگون نمونه‌های زیستی است.
این شبکه تمام مشخصات بخش رونویسی شونده ژنوم (ترنسکریپتوم) را بر روی یک لاتنت وکتور (یک تصویر ورودی به داده پرداز کامپیوتری است) کوچک رمزگذاری کرده، سپس مشخصات mRNA و miRNA های بیان شونده را بر اساس بافت و بیماری بازیابی می‌کند.
این روش بسیار کارامدتر از داده‌های اصلی حاصل از بیان ژن برای افتراق نمونه‌ها بر اساس بافت و بیماری عمل می‌کند.
پژوهشگران از این روش برای بررسی ۱۰۷۵۰ نمونه از ۳۴ گروه مختلف (یک گروه سالم و ۳۳ گروه مبتلا به انواع مختلف سرطان) از ۲۷ بافت، استفاده کردند.
نتایج این پژوهش که در مجله بین‌المللی Scientific Reports به چاپ رسیده است، نشان داد، روش ابداع شده در این پژوهش به شکل معنی‌داری بهتر از روش‌های پیشین و روش‌های مرسوم استفاده از داده پردازی بافت مبدأ، وضعیت سلامت یا بیماری و نوع سرطان در هر نمونه را پیش‌ بینی می‌کند.
برای بافت‌هایی با بیش از یک نوع سرطان، با دقت ۹۹.۴ درصد انواع سرطان درست تشخیص داده شده بود. 
در مجموع نتایج این پژوهش نشان داد استفاده از هوش مصنوعی در پاتولوژی مولکولی سرطان و پژوهش‌های انکولوژیک می‌تواند بسیار سودمند باشد.
این پروژه توسط بهروز آذر خلیلی، دکتر علی شریفی زارچی، علی صابری و همکارانشان در پژوهشگاه رویان، دانشگاه صنعتی شریف و دانشگاه ایالتی کلرادو به انجام رسیده است.