Przecław News

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

Statystyczne uczenie maszynowe może znaleźć nieznane czynniki stojące za chorobami

Statystyczne uczenie maszynowe może znaleźć nieznane czynniki stojące za chorobami

Nowa metoda może teraz znaleźć nieznane wcześniej czynniki leżące u podstaw choroby, wykorzystując statystyczne uczenie maszynowe do sortowania gór złożonych danych biologicznych.

Ta „pionierska” metoda, zwana SLIDE, z powodzeniem integruje wiele złożonych biologicznych zbiorów danych i wyodrębnia unikalne czynniki – w języku angielskim, dzięki czemu wyniki są łatwe do zrozumienia – które bezpośrednio lub pośrednio wyjaśniają dane.

Według naukowców z Cornell University i Cornell Ph. .D. Teraz na Uniwersytecie w Pittsburghu.

„ich studia”Slajd: Odkrywaj i badaj wzajemne oddziaływanie ważnych czynników leżących u podstaw różnych dziedzin biologicznych”, opublikowano 19 lutego w czasopiśmie Nature Methods.

„Podoba mi się, ponieważ można to wyjaśnić” – powiedział współautor. Florentyna BoniaAnne S., profesor statystyki i analityki danych w Cornell College. Uprawnia informatykę i nauki informacyjne. „Zasadniczo możemy znaleźć ukryte mechanizmy, które można wyjaśnić na podstawie mierzalnych danych biologicznych”.

Badanie opiera się na pracach teoretycznych przeprowadzonych przez współautorów, w tym Punię; Martina Wikampa, profesor statystyki i nauki o danych w Cornell CIS oraz matematyki w College of Arts and Sciences; i Shen Ping, dr. '21, były doktorant w dziedzinie statystyki w Cornell, a obecnie na Uniwersytecie w Toronto.

SLIDE oferuje zarówno potwierdzenie, jak i odkrycie, ponieważ może potwierdzić wcześniejsze ustalenia i wskazać nieznane mechanizmy, stwierdziła Punia.

Aby opracować tę aplikację, teoretycy z Cornell University współpracowali z dr Jishnu Dasem. ’16, adiunkt immunologii na Uniwersytecie w Pittsburghu, jest immunologiem systemowym, który studiował biologię obliczeniową na Uniwersytecie Cornell, gdzie brał udział w zajęciach ze statystyki u Bonyi.

SLIDE stanowi postęp w stosunku do poprzednich metod, które umożliwiają jedynie pobieranie profili danych multiomicznych z próbek i przewidywanie, czy próbki pochodzą od organizmów zdrowych czy chorych. „To tylko oczekiwania” – powiedział Das. „To jest „co” – a nie „jak” i „dlaczego”. Jako biolog bardzo dbam o to, jak i dlaczego.

READ  Naukowcy z University of Queensland wzywają do pilnego przeglądu niskich wskaźników szczepień podczas ciąży

Naukowcy wykazali skuteczność SLIDE na podstawie danych od 24 pacjentów z twardziną układową – chorobą autoimmunologiczną, która powoduje pogrubienie skóry i może również osłabiać narządy wewnętrzne. Wykorzystując dane z biopsji skóry, które wykazały, które geny zostały włączone w poszczególnych komórkach, badacze byli w stanie przewidzieć ciężkość choroby u każdego pacjenta równie dobrze lub lepiej niż nowoczesne metody.

Zidentyfikowali także dziewięć ukrytych czynników leżących u podstaw powagi choroby. Niektóre z tych czynników są dobrze znane, inne są nowe, jak na przykład nieznana wcześniej rola keratynocytów, głównych komórek zewnętrznej warstwy skóry. Trwają już dodatkowe eksperymenty laboratoryjne mające na celu potwierdzenie, że czynniki zidentyfikowane w ramach projektu SLIDE rzeczywiście powodują objawy choroby.

W artykule opisano, jak laboratorium Das wykorzystało chip SLIDE do odtworzenia lokalizacji różnych typów komórek odpornościowych w węźle chłonnym w mysim modelu astmy. Podobnie w mysim modelu cukrzycy typu 1 w ramach projektu SLIDE udało się zidentyfikować czynniki napędzające proliferację limfocytów T CD4+, które atakują komórki trzustki wytwarzające insulinę, co prowadzi do choroby.

„Naprawdę wierzymy, że będzie to technologia transformacyjna w różnych kontekstach chorobowych, począwszy od ciężkości choroby, przez charakterystykę komórkową, mechanizmy patogenezy chorób, aż po konkretne typy komórek zaangażowanych w kierowanie tymi procesami” – powiedział Das.

Punia opisuje tę współpracę między teoretykami i badaczami stosowanymi jako „synergię, która się opłaciła”, zauważając, że siła tej metody nadaje statystyczne gwarancje, że ukryte czynniki są wyjątkowe i możliwe do zidentyfikowania.

„Im więcej teoretycznych ludzi zaangażuje się w zastosowania w świecie rzeczywistym, tym lepiej dla nas wszystkich” – powiedziała.

Inni współautorzy tego artykułu to współpierwsi autorzy Javad Rahimkulu i Hanxi Xiao z Uniwersytetu w Pittsburghu.

Patricia Waldron jest autorką w Cornell Anne S. Uprawnia informatykę i nauki informacyjne.