Model miring mesin yang menggabungkan pengetahuan imunologi
Sciences

Model miring mesin yang menggabungkan pengetahuan imunologi


Pipa analisis Elastis-Net imunologis. Kredit: Culos et al

Jaringan kompleks dari sinyal seluler yang saling berhubungan yang dihasilkan sebagai respons terhadap perubahan dalam tubuh manusia menawarkan banyak wawasan menarik dan berharga yang dapat menginformasikan pengembangan perawatan medis yang lebih efektif. Dalam sel imun perifer, sinyal-sinyal ini dapat diamati dan diukur dengan menggunakan sejumlah alat, termasuk teknik profil sel.

Teknik pembuatan profil sel tunggal seperti aliran polikromatik dan sitometri massa telah meningkat secara signifikan selama beberapa tahun terakhir dan sekarang secara teoritis dapat digunakan untuk mendapatkan profil kekebalan terperinci dari pasien yang menunjukkan sejumlah gejala. Meskipun demikian, ukuran sampel yang terbatas dari penelitian sebelumnya dan dimensi tinggi dari data pasien yang dikumpulkan sejauh ini meningkatkan kemungkinan penemuan positif palsu, yang pada gilirannya menyebabkan profil kekebalan yang tidak dapat diandalkan.

Melakukan studi pada kelompok pasien yang lebih besar dapat meningkatkan keefektifan teknik profil sel ini, memungkinkan peneliti medis untuk mendapatkan pemahaman yang lebih baik tentang pola yang terkait dengan kondisi medis. Akan tetapi, mengumpulkan data dari banyak pasien bisa jadi mahal dan memakan waktu.

Para peneliti di Fakultas Kedokteran Universitas Stanford baru-baru ini mengembangkan Immunological Elastic-Net (iEN), model pembelajaran mesin yang memprediksi respons seluler berdasarkan pengetahuan mekanistik imunologi. Dalam makalah yang diterbitkan di Kecerdasan Mesin Alam, mereka menunjukkan bahwa memasukkan pengetahuan imunologi ini ke dalam proses prediksi model mereka meningkatkan daya prediksi pada set data pasien kecil dan besar.

“Metodologi kami memungkinkan kami untuk memanfaatkan studi sebelumnya untuk meningkatkan akurasi model kami tanpa mendaftarkan pasien tambahan,” Nima Aghaeepour, salah satu peneliti yang memimpin penelitian, bersama dengan Anthony Culos, Martin Angst, dan Brice Gaudilliere, mengatakan kepada TechXplore. “Keuntungan utama dari metode kami adalah metode ini tidak membatasi sifat model berdasarkan data. Jika data yang dikumpulkan tidak sesuai dengan pengetahuan sebelumnya, algoritme kami diizinkan untuk mengurangi pentingnya pengetahuan sebelumnya dan sebagai gantinya fokus pada data mentah jika itu terbukti menjadi solusi yang lebih kuat. “

Model miring mesin yang menggabungkan pengetahuan imunologi

Sekilas tentang studi LTP. Jaringan korelasi respon pensinyalan intraseluler, diukur dalam sel imun perifer dan diwarnai oleh status stimulasi ex vivo, divisualisasikan. Tepi mewakili korelasi berpasangan yang signifikan (P <0,05) setelah penyesuaian Bonferroni untuk koreksi hipotesis berganda. Ukuran node mewakili signifikansi korelasi dengan variabel respon (usia kehamilan selama kehamilan aterm). Kredit: Culos et al.

Dalam skenario di mana peneliti medis harus mempertimbangkan sejumlah besar dimensi, berbagai fitur dapat sama berharganya untuk membuat prediksi. Oleh karena itu, alih-alih membuang variabel yang tidak konsisten dengan data imunologi sebelumnya, algoritme pembelajaran mesin yang dikembangkan oleh Aghaeepour dan rekannya memilih semua fitur imun yang menurutnya memiliki nilai prediksi dan relevansi yang kuat.

Sejauh ini, para peneliti telah mengevaluasi performa algoritme pembelajaran mesin mereka dalam tiga studi independen. Dalam semua studi ini, mereka menemukan bahwa model mereka dapat memprediksi hasil yang relevan secara klinis berdasarkan data simulasi dan data sitometri massa yang dihasilkan dari darah pasien.

“Dalam makalah kami, kami menyertakan dua contoh klinis dunia nyata di mana jalur iEN meningkatkan akurasi kami untuk pemodelan kehamilan dan penyakit periodontal,” kata Aghaeepour. “Kami memiliki beberapa kasus penggunaan menarik lainnya yang tidak sabar untuk dipublikasikan, termasuk pemulihan dari operasi, penyakit Alzheimer, dan penyakit Parkinson.”

Di masa mendatang, platform pembelajaran mesin yang dikembangkan oleh Aghaeepour dan rekan-rekannya dapat membantu studi berbagai penyakit, kondisi medis, dan gangguan neurologis. Data yang digunakan oleh para peneliti dan algoritma iEN tersedia secara online, sehingga dapat segera diakses dan digunakan oleh tim peneliti lain di seluruh dunia.

“Kami sekarang juga bekerja untuk mengembangkan versi algoritme yang dapat diterapkan pada jenis kumpulan data biologis lainnya,” kata Aghaeepour. “Contoh utamanya adalah studi multiomik di mana beberapa teknologi omics digunakan secara bersamaan untuk membuat profil sistem kekebalan. Kami yakin bahwa kumpulan data ini memberikan peluang unik untuk menyandikan pengetahuan sebelumnya ke dalam algoritme pembelajaran mesin.”


Algoritma baru memprediksi kemungkinan cedera ginjal akut


Informasi lebih lanjut:
Integrasi pengetahuan imunologi mekanistik ke dalam pipa pembelajaran mesin meningkatkan prediksi. Kecerdasan Mesin Alam(2020). DOI: 10.1038 / s42256-020-00232-8.

© 2020 Science X Network

Kutipan: Model miring mesin yang menggabungkan pengetahuan imunologi (2020, 28 Oktober) diakses 27 November 2020 dari https://techxplore.com/news/2020-10-machine-incorporates-immunological-knowledge.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Hongkong Prize