Μέθοδος Βαθιάς Μάθησης Ανιχνεύει Βιοδείκτες Νόσων

Ερευνητές στο Πανεπιστήμιο του Γουότερλου έχουν αναπτύξει ένα δίκτυο βαθιάς μάθησης που μπορεί να ανιχνεύσει βιοδείκτες νόσων με υψηλό βαθμό ακρίβειας. Αυτό επιτυγχάνει ανίχνευση 98 τοις εκατό των χαρακτηριστικών των πεπτιδίων σε ένα σύνολο δεδομένων, που σημαίνει ότι οι επιστήμονες και οι ιατρικοί εμπειρογνώμονες θα έχουν μεγαλύτερη ευκαιρία να ανακαλύψουν πιθανές νόσους μέσω της ανάλυσης δειγμάτων ιστών.

Αναγνώριση Βιοδείκτων 

Οι υφιστάμενες τεχνικές για την ανίχνευση νόσων涉λαμβάνουν την ανάλυση της δομής των πρωτεϊνών των βιοδείγματος. Τα προγράμματα υπολογιστή παίζουν σημαντικό ρόλο σε αυτή τη διαδικασία, καθώς εξετάζουν το μεγάλο όγκο δεδομένων που παράγεται στις δοκιμές, τα οποία μπορούν στη συνέχεια να χρησιμοποιηθούν για την αναγνώριση συγκεκριμένων δειγμάτων νόσων. 

Η Fatema Tuz Zohora είναι διδάκτωρ ερευνήτρια στη Σχολή Επιστήμης Υπολογιστών Cheriton. 

“Αλλά τα υφιστάμενα προγράμματα είναι συχνά ανακριβή ή possono να περιοριστούν από ανθρώπινο λάθος στις υποκείμενες λειτουργίες τους,” είπε η Zohora.

“Αυτό που κάναμε στην έρευνά μας είναι να δημιουργήσουμε ένα δίκτυο βαθιάς νευρωνικής που επιτυγχάνει ανίχνευση 98 τοις εκατό των χαρακτηριστικών των πεπτιδίων σε ένα σύνολο δεδομένων. Εργαζόμαστε για να κάνουμε την ανίχνευση νόσων πιο ακριβή, προκειμένου να παρέχουμε στους ιατρούς τις καλύτερες εργαλεία,” συνέχισε η Zohora. 

Τα πεπτίδια είναι αλυσίδες αμινοξέων που αποτελούν τις πρωτεΐνες στο ανθρώπινο ιστό, και αυτές οι μικρές αλυσίδες είναι όπου συχνά αναγνωρίζονται οι συγκεκριμένοι δείκτες νόσων. Εάν οι ερευνητές μπορέσουν να βρουν einen καλύτερο τρόπο δοκιμής, θα είναι δυνατό να ανιχνεύσουν νόσους με μεγαλύτερη ακρίβεια και πολύ νωρίτερα.

Δίκτυο Βαθιάς Μάθησης Pointlso

Το νέο δίκτυο βαθιάς μάθησης που αναπτύχθηκε από την ομάδα ονομάζεται Pointlso, και είναι μια μορφή μηχανικής μάθησης ή τεχνητής νοημοσύνης που εκπαιδεύτηκε σε một τεράστιο βάση δεδομένων υφιστάμενων ακολουθιών από βιοδείγματα.

“Άλλες μεθόδους για την ανίχνευση βιοδείκτων νόσων συνήθως έχουν πολλά παραμέτρους που πρέπει να οριστούν χειροκίνητα από ειδικούς,” είπε η Zohora. “Αλλά το δίκτυό μας βαθιάς νευρωνικής μάθησης μαθαίνει τις παραμέτρους από μόνο του, που είναι πιο ακριβής, και κάνει την προσέγγιση ανακάλυψης βιοδείκτων νόσων αυτοματοποιημένη.”

Ένας άλλος σημαντικός аспект του προγράμματος είναι ότι δεν έχει εκπαιδευτεί να ψάχνει μόνο για ένα είδος νόσου. Αντίθετα, έχει εκπαιδευτεί να αναγνωρίζει τους βιοδείκτες που συνδέονται με διάφορες νόσους, όπως καρδιακές νόσους, καρκίνο και COVID-19.

“Είναι εφαρμόσιμο για οποιοδήποτε είδος ανακάλυψης βιοδείκτων νόσων,” είπε η Zohora. “Και επειδή είναι ουσιαστικά ένα μοντέλο αναγνώρισης προτύπων, μπορεί να χρησιμοποιηθεί για την ανίχνευση μικρών αντικειμένων μέσα σε einen μεγάλο όγκο δεδομένων. Υπάρχουν τόσο πολλές εφαρμογές για την ιατρική και την επιστήμη· είναι ενθουσιαστικό να βλέπουμε τις δυνατότητες που ανοίγουν μέσω αυτής της έρευνας και πώς μπορεί να βοηθήσει τους ανθρώπους.”