Przecław News

Informacje o Polsce. Wybierz tematy, o których chcesz dowiedzieć się więcej w Wiadomościach Przecławia.

Nowy algorytm uczenia maszynowego odkrywa właściwość sygnatury genowej guzów

Nowy algorytm uczenia maszynowego odkrywa właściwość sygnatury genowej guzów

Czym różnią się komórki rakowe od zdrowych? Nowy algorytm uczenia maszynowego o nazwie Ikarus zna odpowiedź, zgodnie z raportem zespołu kierowanego przez bioinformatyka MDC Altona Akalin w czasopiśmie Genome Biology. Program AI znalazł genetyczną cechę guzów.

Jeśli chodzi o identyfikowanie wzorców w górach danych, ludzie nie mogą się równać ze sztuczną inteligencją (AI). W szczególności gałąź sztucznej inteligencji zwana uczeniem maszynowym jest często wykorzystywana do znajdowania prawidłowości w zestawach danych — niezależnie od tego, czy chodzi o analizę giełdową, rozpoznawanie obrazu i mowy, czy klasyfikację komórek. Aby wiarygodnie odróżnić komórki rakowe od zdrowych, zespół kierowany przez dr Altona Akalin, szefa platformy bioinformatyki i nauki danych Omics w Centrum Medycyny Molekularnej im. Maxa Delbrücka w Towarzystwie Helmholtza (MDC), opracował program uczenia maszynowego . Nazywa się „Ikar”. Program znalazł wzór w komórkach rakowych wspólny dla różnych typów raka, składający się z odrębnego zestawu genów. Według artykułu zespołu opublikowanego w czasopiśmie Genome Biology algorytm wykrywał również typy genów we wzorcu, który nie był wcześniej wyraźnie powiązany z rakiem.

Uczenie maszynowe zasadniczo oznacza, że ​​algorytm wykorzystuje dane treningowe, aby nauczyć się samodzielnie odpowiadać na określone pytania. Czyni to, szukając w danych wzorców, które pomagają rozwiązać problemy. Po fazie szkolenia system może uogólniać na podstawie tego, czego się nauczył, w celu oceny nieznanych danych.

Uzyskanie odpowiednich danych treningowych było dużym wyzwaniem, ponieważ eksperci już wyraźnie rozróżnili komórki „zdrowe” od „rakowych”. „


Jean Dumaine, pierwszy autor artykułu

Zaskakująco wysoki wskaźnik sukcesu

Ponadto zestawy danych sekwencjonowania pojedynczych komórek są często zaszumione. Oznacza to, że zawarte w nich informacje o właściwościach molekularnych poszczególnych komórek nie są zbyt dokładne – być może dlatego, że w każdej komórce wykrywa się inną liczbę genów lub ponieważ próbki nie zawsze są przetwarzane w ten sam sposób. Jak donosi Dohmen i jego kolega dr Vedran Franke, współkierujący badaniem, przeszukali niezliczone publikacje i skontaktowali się z kilkoma grupami badawczymi w celu uzyskania wystarczających zestawów danych. Zespół ostatecznie wykorzystał dane z komórek raka płuc i jelita grubego do wytrenowania algorytmu przed zastosowaniem go do zestawów danych dotyczących innych typów nowotworów.

READ  Tyrannosaurus Rex został odkryty w Montanie i cierpiał na chorobę kości szczęki 68 milionów lat temu

W fazie treningu Icarus musiał znaleźć listę odrębnych genów, których następnie użył do klasyfikacji komórek. „Próbowaliśmy i udoskonaliliśmy różne podejścia” — mówi Domin. To była czasochłonna praca, twierdzą trzej naukowcy. „Kluczem było to, że Icarus w końcu wykorzystał dwie listy: jedną dla genów raka, a drugą dla genów z innych komórek” – wyjaśnia Frank. Po fazie uczenia się algorytm był w stanie wiarygodnie odróżnić zdrowe komórki od komórek rakowych również w innych nowotworach, takich jak próbki tkanek od pacjentów z rakiem wątroby lub nerwiakiem niedojrzałym. Jego skuteczność była niezwykle wysoka, co zaskoczyło nawet grupę badawczą. „Nie spodziewaliśmy się, że będzie wspólny podpis, który dokładnie identyfikuje komórki rakowe dla różnych rodzajów raka” – mówi Akalin. „Ale nadal nie możemy powiedzieć, czy metoda działa na wszystkie rodzaje raka” – dodaje Domain. Aby zmienić Icarus w niezawodne narzędzie do diagnozowania raka, naukowcy chcą teraz przetestować go na dodatkowych typach guzów.

Sztuczna inteligencja jako w pełni zautomatyzowane narzędzie diagnostyczne

Celem projektu jest wyjście poza kategoryzację komórek „zdrowych” i „rakowych”. We wstępnych testach Icarus już wykazał, że metoda pozwala odróżnić także inne typy (i pewne podtypy) komórek od komórek nowotworowych. „Chcemy uczynić to podejście bardziej kompleksowym i dalej je rozwijać, aby mogło rozróżnić wszystkie możliwe typy komórek w biopsji” – mówi Akalin.

W szpitalach patolodzy zwykle badają próbki tkanki nowotworowej pod mikroskopem w celu zidentyfikowania różnych typów komórek. To ciężka i czasochłonna praca. Dzięki Icarusowi ten ruch może pewnego dnia stać się w pełni zautomatyzowanym procesem. Ponadto Akalin zauważa, że ​​dane można wykorzystać do wyciągnięcia wniosków na temat bezpośredniego otoczenia guza. Może to pomóc lekarzom w wyborze najlepszego leczenia. W przypadku składu tkanki nowotworowej i mikrośrodowiska często wskazuje to, czy dana terapia lub lek będą skuteczne. Ponadto sztuczna inteligencja może być również przydatna w opracowywaniu nowych leków. „Ikarus pozwala nam zidentyfikować geny, które mogą być potencjalnymi czynnikami powodującymi raka” – mówi Akalin. Następnie można zastosować nowe środki terapeutyczne do nakierowania na te struktury molekularne.

READ  Ogromne fale pływowe dłuższe niż Słońce uderzają w odległą gwiazdę: ScienceAlert

Współpraca między domem a biurem

Wielkim aspektem publikacji jest to, że jest ona w pełni przygotowana podczas pandemii COVID. Nie wszyscy uczestnicy znajdowali się w swoich zwykłych biurach w Berlińskim Instytucie Biologii Systemów Medycznych (BIMSB), który jest częścią MDC. Zamiast tego znajdowali się w domowych biurach i komunikowali się ze sobą wyłącznie cyfrowo. Zdaniem Frankie „projekt pokazuje, że w takich warunkach można stworzyć architekturę cyfrową, która ułatwi pracę naukową”.

źródło:

Numer czasopisma:

Domin, ok. i in. (2022) Identyfikacja komórek nowotworowych na poziomie pojedynczej komórki za pomocą uczenia maszynowego. Biologia genomu. doi.org/10.1186/s13059,022,02683,1.