Ma még 'csak' sejtnövekedést jelez, idővel rákot diagnosztizálhat és új gyógyszert fejleszthet

2020 / 12 / 17 / Perei Dóra
Ma még 'csak' sejtnövekedést jelez, idővel rákot diagnosztizálhat és új gyógyszert fejleszthet
A gépi tanulási-módszerek mindenhol megtalálhatók: a keresőmotorokban, a közösségi médiában, de még az online banki szolgáltatásoknál is használják. Van azonban egy fontos terület, melynek meghódítását csupán az elmúlt években kezdte. Ez nem más, mint az orvostudomány.

A technológia nagyon ígéretes lehet az orvostudományban, és számos alkalmazásnál használható, például a sejtek elváltozásainak felderítésénél vagy új gyógyszerek felfedezésénél. Ám ahhoz, hogy a mesterséges intelligencia képes legyen minderre, egyszerre kell pontosan működnie, valamint megértenie a sejtek működését. A Teesside Egyetem kutatócsoportja nemrégiben olyan gépi tanulásos módszert dolgozott ki, amely potenciálisan megjósolja a sejtek növekedését, méghozzá a kutatók számára is könnyen értelmezhető módon. Az algoritmus előrejelzést ad azáltal, hogy megvizsgálja, hogyan változnak és működnek a sejtek eltérő körülmények között.

Ez a módszer a tervek szerint idővel felhasználható lesz a rák diagnosztizálásánál vagy annak előrevetítésénél, hogy bizonyos gyógyszerekre hogyan reagálnak a betegek.

Mesterséges intelligencia: már használjuk és félünk tőle, pedig még azt sem döntöttük el, mi az Az MVM Future Talks online beszélgetése az AI-ról sok kérdést vetett fel és nagyon kevés választ adott, de egész szórakoztató volt.

Az előrejelzések értelmezése

A gépi tanulás lényegében a mesterséges intelligencia (MI) egy olyan formája, amelyben az adatokat arra használják, hogy megtanítsák a számítógépeket önálló döntések meghozatalára emberi jelenlét nélkül. A metódus egyik fő gyengesége a biológiában és az orvostudományban ugyanakkor az a tény, hogy nem képes beépíteni a tanulási folyamatba a biológiai ismereteket, esetünkben például a sejtek biokémiáját, és azok számbavétele nélkül készíti el a végső elemzést.

Ezen rendszerek ugyanis konkrét adatként vagy számsorként kezelik a biológiai információkat, ezért nem veszik figyelembe e számok tényleges biológiai jelentését.

A "fekete dobozra" ("black box") vonatkozó előrejelzések nem jelentenek nagy problémát azokon a területeken, ahol a nagyfokú pontosság a legfontosabb cél - például a spamek előrejelzéséhez használt szoftverekben. Az orvoslásban ez viszont éppen ez az egyik fő hátránya. A fekete dobozos előrejelzéseket összetettségük miatt a kutatók nem tudják értelmezni, vagyis megfejteni, hogy az MI mi alapján készíti el prognózisát. A mesterséges intelligencia terület fekete doboznak nevezzük azokat a rendszereket, melyeknek belső működésével nem foglalkozunk. Ez sokszor hasznos lehet néhányszor pedig szükséges velejáró a komplexitás csökkentése érdekében. (Az alábbi fotó a vizsgált élesztőfajt szemlélteti.)

A „fehér dobozos” ("white box") rendszer ezzel ellentétben kevésbé pontos döntéseiben vagy előrejelzéseiben, a felhasználók számára mégis egyértelműbb, hogy milyen kapcsolatokra következtet a megadott adatok alapján. A fehér dobozos rendszerek előnye, hogy a felhasználók megérthetik, hogy a rendszer milyen információkat használt előrejelzéséhez, emiatt biológiai szempontból is könnyebben értelmezhetik annak döntését. A gépi tanulás prognózisának értelmezhetőnek és igazolhatónak kell lennie ahhoz, hogy elérje a szükséges megbízhatósági-szintet a gyógyításban történő alkalmazásához. A rák kimutatása esetén például, ha az MI fals pozitív előrejelzést ad, akkor felesleges kezeléshez vezethet - míg fals negatív eredménynél a betegség kezeletlenül maradhat. Az algoritmusok általi jóslatok megértése szintén segít elkerülni a fals negatívumokat a lehetséges gyógyszerek és esetleges mellékhatásaik kutatásakor.

A sejtnövekedés előrejelzése

Annak érdekében, hogy a fenti módszerek működhessenek a gyógyításban, a kutatóknak először meg kellett tervezniük egy olyan gépi tanulási megközelítést, amely megjósolhatja a sejtek növekedését, valamint képes megállapítani a növekedés motorját. Ha az algoritmus idővel megérti, hogy hogyan növekednek a sejtek, illetve, hogy hogyan módosul növekedésük különféle körülmények között, akkor

mindez olyan rendszert eredményezhet, amely képes felismerni egy betegség jelenlétét, vagy megjósolni bizonyos kezelések hatékonyságát.

A csapat huszonhét különböző gépi tanulási megközelítést értékelt, amelyek a génexpressziós profilokat és a mechanisztikus anyagcsere modelleket vizsgálták. A génexpressziós profilok megmutatták, hogyan változott a sejtek fehérje-előállítási-folyamata változó körülmények között. Míg az anyagcsere modellek megmutatták, hogyan is működik a biokémia az egyes sejtekben. Ezután létrehozták saját "white boxos" gépi tanulási technikájukat, amely lehetővé teszi számukra az MI döntésének könnyebb értelmezhetőségét, leküzdve a korábbi számítógépes tanulási technikák hiányosságait.

Ezt úgy tették, hogy döntéshozatalra tanították a mesterséges intelligenciát a génexpresszió és az anyagcsere modellek adatainak felhasználásával - amire mostanáig így még nem került sor.

Mindkét modell alkalmazása javította a prediktív pontosságot, ennek előnyeként pedig a kutatók könnyebben feltárhatják a génexpresszió és az anyagcsere-aktivitás eddig ismeretlen kölcsönhatásait. Ezután több mint ezer különböző Saccharomyces cerevisiaen - sütésnél, sör és bor készítése során keletkező élesztőfaj - ellenőrizték szisztémájukat. (Mivel az élesztőre vonatkozó adatok széles körben hozzáférhetők, így könnyen értékelhető a gépi tanulási megközelítés hatékonysága.) Eredményeik azt mutatták, hogy a "white box" módszerrel fenntartható, és egyes esetekben javítható a prediktív pontosság. De ami talán még fontosabb, hogy

az előrejelzés értelmezhetőségével megérthetik, hogy mely biokémiai reakciók aktiválódnak a sejtben különböző körülmények között.

Megközelítésük a biológiai mechanizmusokra, például a sejtek biokémiájára vonatkozó információkat foglalja magában a tanulási folyamat során. Ez kiküszöböli a hagyományos adatközpontú megközelítések korlátait, és lépést tesz az értelmezhető gépi tanulási modellek kifejlesztése felé, így az ezen alapuló gépi tanulási modellek a jövőben megbízhatóbbak lehetnek. Eredményeik továbbá azt mutatják, hogy az adat- és a tudásvezérelt modellek ötvözésével a kutatók több információt kaphatnak a sejtek növekedéséről és működéséről bizonyos körülmények között. Noha mindezt még emberi sejteken is tesztelni kell, idővel mégis számos ígéretes területen alkalmazható lesz, például annak megértésére, hogy a rákos sejteket hogyan befolyásolják azok genetikai felépítése, vagy mondjuk a környezeti viszonyok.

További cikkek a Rakétán:

A mesterséges intelligencia szerepjátékkal tanul célokat kitűzni

A Google most egy olyan eszközön dolgozik, amivel a vakok is segítség nélkül futhatnak

Az interaktív robotkar megadja sétálás közben a társ illúzióját

(Fotó: Wikimedia Commons, Getty Images Hungary)


Először lőttek ki hajót sínágyúval – és nem az amerikaiak voltak
Először lőttek ki hajót sínágyúval – és nem az amerikaiak voltak
Először lőttek éles célpontra hajóra szerelt sínágyúval, látványos mérföldkőhöz érve az elektromágneses fegyverfejlesztésben.
Hamarosan időkristályokkal fogunk fizetni
Hamarosan időkristályokkal fogunk fizetni
Az első, szabad szemmel is látható időkristályok fényben „pszichedelikus tigriscsíkokként” villannak fel.
Ezek is érdekelhetnek
HELLO, EZ ITT A
RAKÉTA
Kövess minket a Facebookon!
A jövő legizgalmasabb cikkeit találod nálunk!
Hírlevél feliratkozás

Ne maradj le a jövőről! Iratkozz fel a hírlevelünkre, és minden héten elküldjük neked a legfrissebb és legérdekesebb híreket a technológia és a tudomány világából.



This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.