Сложная сеть взаимосвязанных клеточных сигналов, возникающих в ответ на изменения в организме человека, предлагает огромное количество интересных и ценных идей, которые могут помочь в разработке более эффективных медицинских методов лечения. В периферических иммунных клетках эти сигналы можно наблюдать и количественно определять с помощью ряда инструментов, включая методы профилирования клеток.
Методы профилирования отдельных клеток, такие как полихроматическая проточная и массовая цитометрия, значительно улучшились за последние несколько лет, и теперь их теоретически можно использовать для получения подробных иммунных профилей пациентов, проявляющих ряд симптомов. Тем не менее, ограниченные размеры выборки прошлых исследований и высокая размерность данных о пациентах, собранных на данный момент, увеличивают вероятность ложноположительных открытий, что, в свою очередь, приводит к ненадежным иммунным профилям.
Проведение исследований на более крупных группах пациентов могло бы повысить эффективность этих методов профилирования клеток, что позволит медицинским исследователям лучше понять закономерности, связанные с заболеваниями. Однако сбор данных от многих пациентов может быть дорогостоящим и трудоемким.
Исследователи из Медицинской школы Стэнфордского университета недавно разработали иммунологическую эластичную сеть (iEN), модель машинного обучения, которая предсказывает клеточные реакции на основе механистических иммунологических знаний. В статье, опубликованной в журнале Nature Machine Intelligence , они продемонстрировали, что включение этих иммунологических знаний в процессы прогнозирования их моделей повысило их предсказательную силу как для небольших, так и для больших наборов данных о пациентах.
«Наша методология позволяет нам использовать предыдущие исследования для повышения точности наших моделей без включения дополнительных пациентов», – сказал TechXplore Нима Агаипур, один из исследователей, возглавлявших исследование, вместе с Энтони Кулосом, Мартином Ангстом и Брисом Годильером. «Ключевым преимуществом нашего метода является то, что он не ограничивает управляемую данными природу моделей. В случаях, когда собранные данные не согласуются с предыдущими знаниями , нашему алгоритму разрешается снизить важность предварительных знаний и вместо этого сосредоточиться на необработанных данных. если это окажется более сильным решением”.
Обзор исследования LTP. Визуализируется корреляционная сеть внутриклеточных сигнальных ответов, измеренных в периферических иммунных клетках и окрашенных в соответствии со статусом стимуляции ex vivo. Ребра представляют значимую (P <0,05) парную корреляцию после корректировки Бонферрони для коррекции множественных гипотез. Размеры узлов представляют значимость корреляций с переменной ответа (срок беременности во время доношенной беременности). Предоставлено: Culos et al.
В сценариях, когда исследователи-медики должны учитывать большое количество измерений, различные характеристики могут быть одинаково ценными для прогнозирования. Таким образом, вместо того, чтобы отбрасывать переменные, которые не соответствуют предыдущим иммунологическим данным, алгоритм машинного обучения, разработанный Агаипуром и его коллегами, выбирает все иммунные функции, которые, по его мнению, имеют сильную прогностическую ценность и актуальность.
На данный момент исследователи оценили производительность своего алгоритма машинного обучения в трех независимых исследованиях. Во всех этих исследованиях они обнаружили, что их модель может предсказывать клинически значимые результаты на основе как смоделированных данных, так и данных массовой цитометрии, полученных из крови пациентов.
«В нашу статью мы включаем два реальных клинических примера, в которых конвейер iEN повысил нашу точность моделирования беременности и заболеваний пародонта» , – сказал Агаипур. «У нас есть несколько других интересных примеров использования, которые мы не можем дождаться публикации, включая восстановление после операции, болезнь Альцгеймера и болезнь Паркинсона».
В будущем платформа машинного обучения, разработанная Агаипуром и его коллегами, может помочь в изучении многочисленных заболеваний, заболеваний и неврологических расстройств. Данные, используемые исследователями, и алгоритм iEN доступны в Интернете , поэтому вскоре к ним могут получить доступ и использовать другие исследовательские группы по всему миру.
«Сейчас мы также работаем над разработкой версий алгоритма, которые применимы к другим типам наборов биологических данных», – сказал Агаипур. «Основным примером этого являются мультиомные исследования, в которых несколько омик-технологий используются одновременно для профилирования иммунной системы. Мы считаем, что эти наборы данных предоставляют уникальные возможности для кодирования предшествующих знаний в алгоритмы машинного обучения».
Источник: Ингрид Фаделли, Tech Xplore
Фото: CC0 Public Domain