Cum au ajuns „roboții” să fie vitali pentru tratarea bolilor oamenilor

Rețeaua complexă de semnale celulare interconectate produse ca răspuns la schimbările din corpul uman oferă o cantitate vastă de informații interesante și valoroase care ar putea informa dezvoltarea unor tratamente medicale mai eficiente pentru numeroase boli. În celulele imune periferice, aceste semnale pot fi observate și cuantificate folosind o serie de instrumente, inclusiv tehnici de profilare a celulelor.

Tehnicile de profilare cu o singură celulă, cum ar fi fluxul policromatic și citometria de masă, s-au îmbunătățit semnificativ în ultimii ani și acum ar putea fi utilizate teoretic pentru a obține profiluri imune detaliate ale pacienților care prezintă o serie de simptome.

Cu toate acestea, dimensiunile limitate ale eșantioanelor studiilor anterioare și dimensionalitatea ridicată a datelor despre pacienți colectate până acum cresc șansele descoperirilor fals pozitive, care, la rândul lor, duc la profiluri imune nesigure.

Efectuarea de studii pe grupuri mai mari de pacienți ar putea îmbunătăți eficacitatea acestor tehnici de profilare a celulelor, permițând cercetătorilor medicali să înțeleagă mai bine modelele asociate cu anumite boli. Cu toate acestea, colectarea datelor de la mulți pacienți poate fi atât costisitoare, cât și consumatoare de timp.

Cum funcționează algoritmul în studierea unor boli

Astfel, cercetătorii de la Universitatea Stanford School of Medicine au dezvoltat recent imunologic Elastic-Net (iEN), un model de învățare automată care prezice răspunsuri celulare bazate pe cunoștințe imunologice mecaniciste.

Într-o lucrare publicată în Nature Machine Intelligence, ei au demonstrat că încorporarea acestor cunoștințe imunologice în procesele de predicție ale modelului lor a crescut puterea de predicție atât asupra seturilor de date pentru pacienți mici, cât și pentru cei mari.

„Metodologia noastră ne permite să folosim studii anterioare pentru a crește precizia modelelor noastre, fără a înscrie pacienți suplimentari”, a declarat pentru TechXplore Nima Aghaeepour, unul dintre cercetătorii care au condus studiul, împreună cu Anthony Culos, Martin Angst și Brice Gaudilliere. „Un avantaj cheie al metodei noastre este că nu limitează natura modelelor bazate pe date. În cazurile în care datele colectate nu sunt de acord cu cunoștințele anterioare, algoritmului nostru îi este permis să reducă importanța cunoștințelor anterioare și, în schimb, să se concentreze pe datele brute dacă acestea se dovedesc a fi soluția mai puternică”.

În scenariile în care cercetătorii medicali trebuie să ia în considerare un număr mare de dimensiuni, diverse caracteristici pot fi la fel de valoroase pentru a face predicții. Prin urmare, în loc să arunce variabile care nu sunt în concordanță cu datele imunologice anterioare, algoritmul de învățare automată dezvoltat de Aghaeepour și colegii săi selectează toate caracteristicile imune pe care le consideră a avea o valoare predictivă puternică și relevanță.

Până în prezent, cercetătorii au evaluat performanța algoritmului lor de învățare automată în trei studii independente. În toate aceste studii, au descoperit că modelul lor ar putea prezice rezultate relevante din punct de vedere clinic atât pe baza datelor simulate, cât și a datelor citometriei de masă generate din sângele pacienților.

Cum ar ajuta recuperarea după Alzheimer și Parkinson

“În lucrarea noastră, includem două exemple clinice din lumea reală, în care conducta iEN ne-a crescut precizia pentru modelarea sarcinii și a bolii parodontale”, a spus Aghaeepour. „Avem alte câteva cazuri de utilizare interesante pe care abia așteptăm să le vedem publicate, inclusiv recuperarea după operație, boala Alzheimer și boala Parkinson”.

În viitor, platforma de învățare automată dezvoltată de Aghaeepour și colegii săi ar putea ajuta la studiul numeroaselor boli, afecțiuni medicale și tulburări neurologice. Datele utilizate de cercetători și algoritmul iEN sunt disponibile online, astfel încât în ​​curând ar putea fi accesate și utilizate de alte echipe de cercetare din întreaga lume.

„Acum lucrăm și la dezvoltarea versiunilor algoritmului care sunt aplicabile altor tipuri de seturi de date biologice”, a spus Aghaeepour. „Un exemplu primar în acest sens sunt studiile în care mai multe tehnologii sunt utilizate simultan pentru profilarea sistemului imunitar. Credem că aceste seturi de date oferă oportunități unice pentru codificarea cunoștințelor anterioare în algoritmi de învățare automată”.