Pasaulio sveikatos organizacija praneša, kad visame pasaulyje nuolat daugėja vėžiu sergančių pacientų, tai pažymi, kad tai yra didelė grėsmė sveikatai. Vėžio prevencija ir gydymas tapo pasauliniu prioritetu, o vėžį sukeliančių genų nustatymas yra būtinas norint suprasti jo vystymąsi ir tobulinti individualizuotą gydymą. Tačiau dabartiniai metodai kovoja su apibendrinimu ir aiškinamumu, o tai riboja jų veiksmingumą įvairiose vėžio rūšyse ir populiacijose.
Siekdama išspręsti šią problemą, Kinijos mokslų akademijos (CAS) Sindziango fizikos ir chemijos instituto tyrimų grupė, bendradarbiaudama su kitais ekspertais, pasiūlė grafinio mašininio mokymosi modelį, būtent TREE, pagrįstą transformatoriaus sistema.
Naudodamas šią naują transformatoriaus architektūrą, TREE ne tik nustato įtakingiausią omikos duomenų tipą, bet ir aptinka tipiškiausius tinklo kelius, susijusius su genų, skatinančių vėžio formavimąsi ir progresavimą, reguliavimu.
Kūrinys publikuotas m Gamtos biomedicinos inžinerija.
Tyrėjai nustatė, kad TREE mokymas pografiuose, paimtuose iš vietinių struktūrų, leidžia efektyviai mokytis mazgo lygio reprezentacijos, tuo pačiu žymiai sumažinant skaičiavimo išteklių poreikius.
Skirtingai nuo tradicinių transformatorių architektūrų, TREE į savo įvestį įtraukia grafiko struktūrinę informaciją iš biologinių tinklų. Jis taip pat integruoja padėties įterpimus, gautus iš mazgo laipsnio informacijos, su daugiafunkcinėmis mazgų savybėmis.
Be to, TREE naudoja bendro dėmesio mechanizmą, kai pasaulinės struktūrinės mazgų koduotės, išmoktos iš tinklo atstumo, padeda apskaičiuoti dėmesio svorius. Šis dizainas pagerina modelio gebėjimą užfiksuoti sudėtingus santykius biologinėse sistemose.
Įtraukus daugiafunkcinius duomenis iš genų ir kitų biologinių molekulių, taip pat su struktūrine informacija iš homogeninių ir nevienalyčių biologinių tinklų, modelis žymiai pagerina vėžį sukeliančių genų prognozavimo tikslumą.
Ši pažanga leidžia tiksliau identifikuoti genus, glaudžiai susijusius su vėžio progresavimu, o tai būtina kuriant individualizuotas gydymo strategijas.
Be to, modelio privalumai integruojant daugiafunkcinius duomenis ir sudėtingą tinklo analizę suteikia galimybę jį taikyti įvairiose ligose ir disciplinose.
Šis tyrimas parodo pažangų dirbtinio intelekto integravimą su biomedicinos inžinerija, siūlydamas novatoriškus vėžio keliamų iššūkių sprendimus.