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)


Kövesd a Rakétát a Facebookon is!
Kövess, üzenj, kommentelj a Rakéta Facebook oldalán!
Ismerd meg a ROADSTER magazint!
AUTÓK - DESIGN - GASZTRO - KULT - UTAZÁS - TECH // Ha szereted a minőséget az életed minden területén, páratlan élmény lesz!
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.