Среда, 21 февраля, 2024
ДомойБиологияРеволюция в исследованиях вакцин: сила нового алгоритма

Революция в исследованиях вакцин: сила нового алгоритма

- Advertisement -

Исследователи-иммунологи представили вычислительный инструмент для повышения готовности к пандемии, позволяя сравнивать разнообразные экспериментальные данные. Этот алгоритм использует машинное обучение для поиска закономерностей в наборах данных, улучшая понимание иммунных реакций. Оно обещает значительный прогресс в разработке вакцин и иммунологических исследованиях с широким потенциалом в различных биологических контекстах.

Вычислительные биологи используют машинное обучение чтобы разобраться в данных иммунной системы.

Исследователи иммунной системы разработали вычислительный инструмент для повышения готовности к пандемии. Ученые могут использовать этот новый алгоритм для сравнения данных самых разных экспериментов и лучшего прогнозирования того, как люди могут реагировать на болезнь.

«Мы пытаемся понять, как люди борются с различными вирусами, но прелесть нашего метода в том, что его можно применять в других биологических условиях, например, при сравнении различных лекарств или разных линий раковых клеток», — говорит Таль Эйнав, доктор медицинских наук. D., доцент Института иммунологии Ла-Хойи (LJI) и соруководитель нового исследования в Отчеты о ячейках Методы.

Эта работа решает серьезную проблему в медицинских исследованиях. Лаборатории, изучающие инфекционные заболевания (даже лаборатории, специализирующиеся на одних и тех же вирусах), собирают совершенно разные данные. «Каждый набор данных становится отдельным независимым островом», — говорит Эйнав.

Некоторые исследователи могут изучать модели на животных, другие — пациентов-людей. Некоторые лаборатории специализируются на детях, другие собирают образцы у пожилых людей с ослабленным иммунитетом. Местоположение тоже имеет значение. Клетки, собранные у пациентов в Австралии, могут по-разному реагировать на вирус по сравнению с клетками, собранными у группы пациентов в Германии, только на основании прошлых случаев заражения вирусом в этих регионах.

«В биологии есть дополнительный уровень сложности. Вирусы постоянно развиваются, и это тоже меняет данные», — говорит Эйнав. «И даже если бы две лаборатории исследовали одних и тех же пациентов в один и тот же год, они могли бы провести несколько разные тесты».

Институт иммунологии Ла-Хойи (LJI), доцент Таль Эйнав, доктор философии. Фото: Мэтью Элленбоген, Институт иммунологии Ла-Хойи.

Унифицированный вычислительный метод

Тесно сотрудничая с Ронг Ма, доктором философии, научным сотрудником Стэнфордского университета, Эйнав решил разработать алгоритм, который поможет сравнивать большие наборы данных. Его вдохновил опыт работы в физике, дисциплине, в которой — независимо от того, насколько инновационным является эксперимент — ученые могут быть уверены, что данные будут соответствовать известным законам физики. E всегда будет равно mc2.

«Что мне как физику нравится делать, так это собирать все вместе и выяснять объединяющие принципы», — говорит Эйнав.

Новому вычислительному методу не нужно точно знать, где и как был получен каждый набор данных. Вместо этого Эйнав и Ма использовали машинное обучение, чтобы определить, какие наборы данных следуют одним и тем же базовым шаблонам.

«Вам не обязательно говорить мне, что некоторые данные поступили от детей, взрослых или подростков. Мы просто спрашиваем машину, насколько данные похожи друг на друга, а затем объединяем похожие наборы данных в расширенный набор, который обучает еще лучшие алгоритмы», — говорит Эйнав. Со временем эти сравнения могут выявить последовательные принципы иммунных реакций — закономерности, которые трудно обнаружить во многих разрозненных наборах данных, которыми изобилует иммунология.

Потенциальное влияние на разработку вакцин и иммунологию

Например, исследователи могли бы разработать более эффективные вакцины, выяснив, как именно человеческие антитела воздействуют на вирусные белки. Здесь биология снова становится по-настоящему сложной. Проблема в том, что люди могут производить около одного квинтиллиона уникальных антител. Между тем, один вирусный белок может иметь больше вариаций, чем атомов во Вселенной.

«Вот почему люди собирают все больше и больше наборов данных, чтобы попытаться изучить почти бесконечную игровую площадку биологии», — говорит Эйнав.

Но у ученых нет бесконечного времени, поэтому им нужны способы предсказать огромные объемы данных, которые они не могут реально собрать. Эйнав и Ма уже показали, что их новый вычислительный метод может помочь ученым заполнить эти пробелы. Они демонстрируют, что их метод сравнения больших наборов данных может выявить множество новых правил иммунологии, и эти правила затем можно применить к другим наборам данных, чтобы предсказать, как должны выглядеть недостающие данные.

Новый метод также достаточно точен, чтобы дать ученым уверенность в своих предсказаниях. В статистике «доверительный интервал» — это способ количественной оценки того, насколько учёный уверен в предсказании.

«Эти прогнозы немного похожи на алгоритм Netflix, который предсказывает, какие фильмы вы захотите посмотреть», — говорит Эйнав. Алгоритм Netflix ищет закономерности в фильмах, которые вы выбрали в прошлом. Чем больше фильмов (или данных) вы добавите в эти инструменты прогнозирования, тем точнее будут эти прогнозы.

«Мы никогда не сможем собрать все данные, но мы можем многое сделать с помощью всего лишь нескольких измерений», — говорит Эйнав. «И мы не только оцениваем достоверность предсказаний, но и можем сказать, какие дальнейшие эксперименты максимально повысят эту уверенность. Для меня истинной победой всегда было глубокое понимание биологической системы, и данная концепция направлена ​​именно на это».

Будущие направления и сотрудничество

Эйнав недавно присоединился к профессорско-преподавательскому составу LJI после завершения постдокторской подготовки в лаборатории Джесси Блума, доктора философии, в Онкологическом центре Фреда Хатча. Продолжая свою работу в LJI, он планирует сосредоточиться на использовании вычислительных инструментов, чтобы больше узнать об иммунных реакциях человека на многие вирусы, начиная с гриппа. Он надеется на сотрудничество с ведущими иммунологами и специалистами по обработке данных из LJI, в том числе с профессором Бьорном Петерсом, доктором философии, также физиком по образованию.

«Вы получаете прекрасную синергию, когда у вас есть люди разного происхождения», — говорит Эйнав. «При наличии правильной команды решение этих больших открытых проблем наконец становится возможным».

Ссылка: «Использование интерпретируемого машинного обучения для расширения гетерогенных наборов данных антител и вирусов», Тал Эйнав и Ронг Ма, 25 июля 2023 г., Методы отчетов по ячейкам.
DOI: 10.1016/j.crmeth.2023.100540

Исходная ссылка

- Advertisement -

Популярное по теме