Journal of Marine Medicine

fa توسعه یک مدل پیش‌بینی مبتنی بر هوش مصنوعی برای ارزیابی آسیب‌پذیری ژنتیکی به سموم دریایی در دریانوردان و غواصان Development of an AI-Based Predictive Model for Assessing Genetic Vulnerability to Marine Toxins in Seafarers and Divers طب دریا Marine Medicine پژوهشي اصیل Original Article <div style="text-align: justify;">زمینه و هدف: سموم دریاییِ شیمیایی و زیستی تهدیدی جدی برای سلامت دریانوردان و غواصان، به‌ویژه در مناطق کلیدی خلیج فارس و دریای عمان، به‌شمار می‌روند. حساسیت فردی به این سموم با پلی‌مورفیسم‌های ژنتیکی (SNPs) در ژن‌های متابولیسم سم، مانند خانواده CYP450، تفاوت دارد. این مقاله تمرکز خود را بر توسعه و تشریح یک چارچوب/مدل مفهومی مبتنی بر هوش مصنوعی برای پیش‌بینی آسیب‌پذیری ژنتیکی و تعریف پروتکل ارزیابی آن می‌گذارد؛ نوآوری اصلی، ادغام چندمنبعیِ داده‌های ژنتیکی و زیست‌محیطی با قابلیت پیوند به تله‌مدیسین و هشدارهای بلادرنگ است. روش ها: چارچوب پیشنهادی شامل: (1) داده‌های ژنتیکی دریانوردان و غواصان (پروفایل‌های SNP در ژن‌های مرتبط با متابولیسم سم)، (2) داده‌های زیست‌محیطی از حسگرهای دریایی و تصاویر ماهواره‌ای (غلظت سموم جلبکی مانند سیگواتوکسین/ساکسی‌توکسین/دوموئیک اسید، کیفیت آب، دما)، و (3) دانش‌پایه‌های سمی از پایگاه‌هایی نظیر ToxCast  و  T3DB است. سه رده الگوریتمیِ نامزد شامل شبکه‌های عصبی عمیق، جنگل‌های تصادفی و  SVM برای مدل‌سازی ریسک به‌کار می‌روند. پروتکل ارزیابی از تقسیم آموزش/اعتبارسنجی/آزمون و اعتبارسنجی متقاطع پیروی کرده و معیارهای عملکرد شامل Accuracy، Precision،  Recall و F1-score (با امکان گزارش AUC در صورت دودویی‌بودن برچسب‌ها) تعریف می‌شود. مقایسه بین‌مدلی و انتخاب بهترین مدل بر پایه این سنجه‌ها انجام خواهد شد. دامنه جغرافیایی داده‌های میدانیِ هدف، مسیرهای کشتیرانی و عملیات غواصی در خلیج فارس و دریای عمان است. یافته‌ها: این مطالعه ماهیت مفهومی/چارچوبی دارد و در این مرحله نتایج عددی یا آزمایشی گزارش نمی‌کند. خروجی‌های اصلی شامل: (الف) طراحی معماری مدل و فلوچارت پردازش، (ب) مشخصات قابل‌اجرای داده و منابع آن (حسگرهای دریایی، ماهواره، ToxCast/T3DB، نمونه‌های ژنتیکی)، (ج) پروتکل ارزیابی با سنجه‌های کمی مشخص، و (د) تفکیک روشنِ نوآوری (ادغام ژنتیک+محیط+هوش مصنوعی) از کاربردها (پزشکی غواصی/طب کار، امداد دریایی با تله‌مدیسین، پایش شکوفه‌های مضر جلبکی و هشدار زودهنگام). همچنین، چالش‌های کلیدی (زیرساخت محاسباتی در دریا، کیفیت/کامل‌بودن داده، و الزامات اخلاقی داده‌های ژنتیکی) و پیامدهای آن‌ها بر طراحی سامانه مستند شده‌اند. نتیجه‌گیری: چارچوب معرفی‌شده مسیر روشنی برای پیاده‌سازی و ارزیابی یک سامانه پیش‌بینی ریسکِ شخصی‌سازی‌شده فراهم می‌کند و ظرفیت آن را برای بهبود سلامت حرفه‌ای، کاهش مواجهه پرخطر و پشتیبانی از تصمیم‌های بالینی از راه دور نشان می‌دهد. اعتبارسنجی تجربی با نمونه‌های واقعی و گزارش سنجه‌های عددی، گام بعدی پژوهش است.</div> <div style="text-align: justify;">Background and Aim: Marine chemical and biotoxin exposures pose substantial health risks to seafarers and divers, notably in the Persian Gulf and the Sea of Oman. Individual susceptibility varies with genetic polymorphisms (SNPs) in detoxification genes such as the CYP450 family. This study develops and specifies a conceptual AI-based framework to predict genetic vulnerability and defines its evaluation protocol. The key novelty is the multi-source integration of genetic and environmental data with optional links to telemedicine and real-time alerts. Methods: The framework integrates: (1) genetic data from seafarers/divers (SNP profiles in toxin-metabolism genes), (2) environmental measurements from marine sensors and satellite imagery (e.g., ciguatoxin/saxitoxin/ domoic-acid levels, water quality, temperature), and (3) toxin knowledge bases such as ToxCast and T3DB. Three model families -deep neural networks, random forests, and support vector machines- are considered. Evaluation follows train/validation/test splits with cross-validation; performance metrics include accuracy, precision, recall, and F1-score (AUC may be reported for binary setups). Target geographical scope for field data is the Persian Gulf and the Sea of Oman. Results: This is a conceptual/framework study; no numerical or experimental results are reported at this stage. Main outputs are: (a) the model architecture and processing flowchart, (b) executable data specifications and sources (marine sensors, satellite, ToxCast/T3DB, genetic sampling), (c) a quantitative evaluation protocol with explicit metrics, and (d) a clear separation between innovation (genetic+environmental+AI integration) and applications (diving/occupational medicine, maritime assistance via telemedicine, harmful algal bloom early warnings). Key challenges (at-sea compute constraints, data quality/completeness, and genetic-data ethics) and their design implications are documented. Conclusion: The proposed framework delineates a pragmatic path to implement and evaluate a personalized risk-prediction system, with potential to enhance occupational health, reduce hazardous exposures, and support remote clinical decisions. Empirical validation with real-world cohorts and formal reporting of quantitative metrics constitute the next research step.</div> استعداد ژنتیکی, سموم دریایی, هوش مصنوعی, دریانوردان, پیش‌بینی سلامت. Genetic predisposition to disease, Marine toxins, Artificial intelligence, Seafarers, Health prediction 163 173 http://jmarmed.ir/browse.php?a_code=A-10-482-1&slc_lang=fa&sid=1 Sakineh Khanamani Falahatipour سکینه خنامانی فلاحتی پور 10031947532846006148 10031947532846006148 No Salimeh Khanamani Falahati-pour سلیمه خنامانی فلاحتی پور Sali.falahati@gmail.com 10031947532846006149 10031947532846006149 No Amirreza Ghasemloo امیررضا قاسملو ar.ghassemlou.2015@gmail.com 10031947532846006150 10031947532846006150 No Somayyeh Karami-Mohajer سمیه کرمی مهاجر somayyehkarami@gmail.com 10031947532846006151 10031947532846006151 No Zohreh Oghabian زهره عقابیان zoghabian@yahoo.com 10031947532846006152 10031947532846006152 No Soudeh Khanamani Falahati-pour سوده خنامانی فلاحتی پور FALAHATI7777@yahoo.com 10031947532846006153 10031947532846006153 No Motahareh Soltani مطهره سلطانی motahareh.soltani@gmail.com 10031947532846006154 10031947532846006154 Yes Pistachio Health Research Center, Rafsanjan University of Medical Sciences, Rafsanjan, Iran مرکز تحقیقات سلامت پسته، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران