Dyb læringsmetode kan detektere sygdomsbiomarkører

Forskere ved University of Waterloo har udviklet et dyb læreningsnetværk, der kan detektere sygdomsbiomarkører med en høj grad af nøjagtighed. Det opnår 98 procent detektion af peptid funktioner i en dataset, hvilket betyder, at videnskabsmænd og medicinske eksperter vil have en større chance for at opdage mulige sygdomme gennem vævsprøveanalyse.

Identificering af biomarkører 

Eksisterende metoder til sygdomsdetektion indebærer analyse af proteinstrukturen i bio-prøver. Computerprogrammer spiller en stor rolle i denne proces, da de undersøger den store mængde data, der produceres under testene, som de derefter kan bruge til at identificere specifikke sygdomsmarkører.

Fatema Tuz Zohora er en ph.d.-forsker på Cheriton School of Computer Science.

“Men eksisterende programmer er ofte upræcise eller kan være begrænsede af menneskelige fejl i deres underliggende funktioner,” sagde Zohora.

“Det, vi har gjort i vores forskning, er at oprette et dybt neuralt netværk, der opnår 98 procent detektion af peptid funktioner i en dataset. Vi arbejder på at gøre sygdomsdetektion mere præcis for at give sundhedspraktikerne de bedste værktøjer,” fortsatte Zohora.

Peptider er kæder af aminosyrer, der udgør proteiner i menneskeligt væv, og disse små kæder er, hvor specifikke sygdomsmarkører ofte identificeres. Hvis forskerne kan komme med en bedre måde at teste på, vil det være muligt at detektere sygdomme med større nøjagtighed og meget tidligere.

Pointlso Deep Learning Network

Det nye dybe læreningsnetværk, der er udviklet af teamet, kaldes Pointlso, og det er en form for maskinlæring eller kunstig intelligens, der er trænet på en massiv database af eksisterende sekvenser fra bio-prøver.

“Andre metoder til sygdomsbiomarkørdetektion har normalt mange parametre, der skal indstilles manuelt af felt-eksperter,” sagde Zohora. “Men vores dybe neurale netværk lærer parametrene selv, hvilket er mere præcist, og gør sygdomsbiomarkørforskningen automatiseret.”

En anden vigtig aspekt af programmet er, at det ikke er trænet til at se efter kun én type sygdom. I stedet er det trænet til at identificere biomarkører associeret med forskellige sygdomme, såsom hjertesygdom, kræft og COVID-19.

“Det er anvendeligt for enhver type sygdomsbiomarkørforskning,” sagde Zohora. “Og fordi det i virkeligheden er et mønstergenkendelsesmodel, kan det bruges til detektion af små objekter inden for en stor mængde data. Der er så mange anvendelser for medicin og videnskab; det er spændende at se mulighederne, der åbner sig gennem denne forskning og hvordan det kan hjælpe mennesker.”