Tyrėjai kuria mašininio mokymosi modelį, kad nustatytų ligų potipius

Tyrėjai kuria mašininio mokymosi modelį, kad nustatytų ligų potipius

Ligos, sindromai

Jeruzalės hebrajų universiteto mokslininkai sukūrė mašininio mokymosi metodą, kad nustatytų galimus ligų potipius, žymiai pagerindami ligų klasifikavimo ir gydymo strategijų sritį. Tyrimas, kuriam vadovavo Ph. Hebrajų universiteto Gyvybės mokslų instituto Biologinės chemijos katedros studentas Danas Oferis ir prof.

Išvados paskelbtos Biomedicininės informatikos žurnalas.

Norint tiksliai ištirti ir taikyti veiksmingas gydymo strategijas, labai svarbu atskirti ligas į skirtingus potipius. „Open Targets“ platforma integruoja biomedicininius, genetinius ir biocheminius duomenų rinkinius, kad palaikytų ligų ontologijas, klasifikacijas ir galimus genų taikinius. Tačiau daugelis ligų anotacijų lieka neišsamios, todėl dažnai reikia daug specialistų medicininės pagalbos. Šis iššūkis ypač svarbus retoms ir retosioms ligoms, kurių ištekliai riboti.

Tyrimas pristato naują mašininio mokymosi metodą, leidžiantį nustatyti ligas su galimais potipiais. Naudodami plačią maždaug 23 000 ligų duomenų bazę, dokumentuotą Open Targets platformoje, jie sukūrė naujų funkcijų, leidžiančių numatyti ligas su potipiais, naudojant tiesioginius įrodymus. Tada buvo taikomi mašininio mokymosi modeliai, siekiant išanalizuoti savybių svarbą ir įvertinti nuspėjamą veikimą, atskleidžiant žinomus ir naujus ligų potipius.

Modelis pasiekė įspūdingą 89,4 % ROC plotą po imtuvo veikimo charakteristikos kreive, nustatydamas žinomus ligos potipius. Iš anksto parengtų giluminio mokymosi kalbos modelių integravimas dar labiau pagerino modelio našumą. Pažymėtina, kad tyrime buvo nustatyta 515 ligų kandidatų, kurie, kaip prognozuojama, turės anksčiau nekontuotų potipių, o tai atveria kelią naujoms įžvalgoms apie ligų klasifikaciją.

„Šis projektas parodo neįtikėtiną mašininio mokymosi potencialą plečiant mūsų supratimą apie sudėtingas ligas”, – sakė Oferis.

„Naudodami pažangius modelius galime atskleisti anksčiau paslėptus modelius ir potipius, o tai galiausiai prisideda prie tikslesnių ir individualizuotų gydymo būdų.”

Ši novatoriška metodika įgalina tvirtą ir keičiamo dydžio metodą žiniomis pagrįstoms anotacijoms tobulinti ir visapusiškai įvertinti ligų ontologijos pakopas.

„Mes džiaugiamės, kad mūsų mašininio mokymosi metodas gali pakeisti ligų klasifikaciją“, – sakė prof. Linial. „Mūsų išvados gali labai prisidėti prie individualizuotos medicinos, pasiūlydamos naujų gydymo plėtros būdų.”