به گزارش سای تک دیلی، این مدل هوش مصنوعی کارکرد بهتری از راه حلهای نیمه‌دستی حاضر در عرصه شدت و دقت شناسایی حالت‌های غیرعادی دارد. طیف‌سنجی گسترده می‌تواند برای اندازه‌گیری «گلیکان» (ساختارهای مولکول قند در سلول‌های ما) به کار رود. این ساختارها می‌توانند وجود انواع مختلفی از سرطان داخل سلول‌ها را افشا کنند.

با این حال ملزوم است داده‌های به دست آمده از اندازه‌گیری طیف‌سنجی گسترده توسط انسان‌ها با دقت بازدید و تحلیل و این ساختار از تجزیه گلیکان نزدیک شود. این فرایند می‌تواند برای هر نمونه بین چند ساعت تا چند روز زمان ببرد و تنها شمار معدودی از کارشناسان در جهان قادر به انجام این کار می باشند؛ چون یک کار کارآگاهی و الزام سال‌ها کسب توانایی و توانایی است.

از این رو وجود این فرایند یک تنگنا در مسیر منفعت گیری از آنالیز گلیکان از جمله برای تشخیص سرطان محسوب می‌شود؛ به‌خصوص وقتی که مثالهای بسیاری برای بازدید وجود دارد.

در این حال محققان در دانشگاه گوتنبرگ یک مدل هوش مصنوعی برای خودکارسازی این بازدید ابداع کرده‌اند. این مدل هوش مصنوعی با نام «کَندی‌کرانچ» (Candycrunch) این ماموریت را در زمان چند ثانیه برای هر آزمایش انجام می‌دهد. نتایج این تحقیق در یک مقاله علمی در نشریه متدهای طبیعت انتشار کردن یافته است.

این مدل هوش مصنوعی با منفعت گیری از بیشتر از ۵۰۰ هزار نمونه از تجزیه (fragmentations) گوناگون و ساختارهای مرتبط از مولکول‌های قند آموزش داده شد. دانیل بویار استادیار ارشد بیوانفورماتیک دانشگاه گوتنبرگ او گفت: این آموزش به مدل کندی‌کرانچ امکان داده در ۹۰ درصد موارد، ساختار دقیق قند در هر نمونه را دقیق محاسبه کند.

معنی این سخن آن است که این مدل هوش مصنوعی می‌تواند به زودی به سطح دقتی همانند دیگر زنجیره‌های زیستی (بیولوژیک) همانند «دی ان ای» و «آر ان ای» یا پروتئین‌ها برسد. از آنجا که این مدل در جواب‌های خود سریع و دقیق عمل می‌کند، می‌تواند کشف نشانگرهای زیستی (بیومارکر) بر پایه گلیکان را برای هر دو منظور پیش‌بینی کرده و تشخیص سرطان را شدت ببخشد.

بویار خاطرنشان کرد: اکنون بزرگترین تنگنا در این فرایند را خودکارسازی (اتومات) کرده‌ایم، باور داریم آنالیز گلیکان به یک قسمت بزرگتر از تحقیقات بیولوژیک و بالینی تبدیل خواهد شد.

مدل هوش مصنوعی کندی‌کرانچ این چنین قادر به شناسایی ساختارهایی است که زیاد تر به علت تجمیع پایینی که دارند در آنالیزهای انسانی نادیده گرفته می شوند. این مدل از این رو می‌تواند به محققان برای یافتن نشانگرهای زیستی تازه بر پایه گلیکان پشتیبانی رساند.