Σειρά Φουτουριστή

Πώς η αλληλούχηση του ανθρώπινου γονιδιώματος και η βαθιά μάθηση μπορούν να φέρουν επανάσταση στην εξατομικευμένη υγειονομική περίθαλψη

Antoine Tardif
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ βαθιά μάθηση σε δεδομένα εθνικού γονιδιώματος θα μπορούσε να εξοικονομήσει 26…
Δείτε περισσότερα
  • Η βαθιά μάθηση σε δεδομένα εθνικού γονιδιώματος θα μπορούσε να εξοικονομήσει 26 δισεκατομμύρια δολάρια ετησίως στο ιατρικό σύστημα των ΗΠΑ μέσω της πρώιμης διάγνωσης καρκίνου.
  • Η ομοσπονδιακή μάθηση επιτρέπει στην τεχνητή νοημοσύνη να αναλύει γενετικά δεδομένα για σπάνιες ασθένειες χωρίς να κοινοποιεί προσωπικά αναγνωρίσιμες πληροφορίες ασθενών.
  • Ο ποικιλόμορφος μεταναστευτικός πληθυσμός του Καναδά το τοποθετεί σε θέση να αποφύγει την προκατάληψη της τεχνητής νοημοσύνης και να ηγηθεί στην εξατομικευμένη γονιδιωματική υγειονομική περίθαλψη.

Η αλληλούχηση του πρώτου ανθρώπινου γονιδιώματος ήταν ένα τεράστιο δημόσιο έργο με κόστος 2,7 δισεκατομμύρια δολάρια και χρειάστηκε σχεδόν 15 χρόνια για να ολοκληρωθεί. Το τρέχον κόστος αλληλούχησης του ανθρώπινου γονιδιώματος έχει μειωθεί δραματικά. Το κόστος μειώθηκε από $4000 το 2015, σε λιγότερο από $300 σήμερα.

Ορισμένες εταιρείες γονιδιωμάτων στοχεύουν να μειώσουν το κόστος σε λιγότερο από $100. Σε αυτές τις τιμές, η ερώτηση μεταφέρεται στο πότε είναι αμέλεια να μην αλληλουχήσουμε το ανθρώπινο γονιδίωμα;

Μια μελέτη βρήκε ότι η πρώιμη διάγνωση του καρκίνου θα μπορούσε να εξοικονομήσει για το αμερικανικό σύστημα υγείας κατά μέσο όρο $26 δισεκατομμύρια το χρόνο. Σε σύγκριση, η αλληλούχηση του γονιδιώματος κάθε Αμερικανού θα είχε ένα κόστος μιας φοράς $100 δισεκατομμύρια, και αυτό το κόστος θα μπορούσε να μειωθεί περαιτέρω εάν ληφθούν υπόψη οι οικονομίες κλίμακας.

Εκτός από την αναζήτηση γενετικών προδιαθέσεων για καρκίνο, η αλληλούχηση του γονιδιώματος είναι άμεσα σχετική με την ταυτοποίηση ασθενειών που συνδέονται με πολλαπλά τύπου κληρονομικών γενετικών διαταραχών, όπως η μονογονιδιακή κληρονομικότητα, η πολυπαραγοντική κληρονομικότητα, οι ανωμαλίες των χρωμοσωμάτων και η μιτοχονδριακή κληρονομικότητα.

Τώρα, ας φανταστούμε τα οφέλη για την κοινωνία εάν μια υποομάδα της μηχανικής μάθησης που ονομάζεται βαθιά μάθηση χρησιμοποιηθεί για την ανάλυση αυτού του θησαυρού γενετικών πληροφοριών.

Βασισμένη σε γενικές γραμμές στα νευρωνικά δίκτυα του εγκεφάλου, η βαθιά μάθηση είναι ένα από τα πιο σημαντικά εργαλεία που οι επιστήμονες των δεδομένων βασίζονται. Η βαθιά μάθηση αναλύει δεδομένα και χρησιμοποιεί την αναγνώριση προτύπων για να δημιουργήσει εξελιγμένα μοντέλα που μπορούν να μάθουν σύνθετα πρότυπα και να γενικεύσουν αυτά τα πρότυπα για να αναγνωρίσουν δεδομένα. Αυτά τα δεδομένα μπορούν να είναι σύνθετα και όσο περισσότερα δεδομένα λειτουργεί ένα σύστημα βαθιάς μάθησης, τόσο πιο εντυπωσιακά είναι τα αποτελέσματα.

Με την τροφοδοσία δεδομένων ενός ολόκληρου ανθρώπινου πληθυσμού σε ένα σύστημα βαθιάς μάθησης, οι αλγόριθμοι της μηχανικής μάθησης θα μπορούσαν να αναγνωρίσουν πιθανούς βιοδείκτες για καρκίνο ή άλλες ασθένειες. Επιπλέον, το σύστημα θα μπορούσε να αναλύσει βαθιά τις γενεαλογικά δέντρα για να αναγνωρίσει ποια γονίδια είναι υπεύθυνα για διαφορετικά χαρακτηριστικά ή πάθηση.

Κανένα από αυτά δεν είναι επαναστατικό για τους επαγγελματίες της τεχνητής νοημοσύνης, το πρόβλημα είναι η εξάρτησή μας από παλαιούς κυβερνητικούς οργανισμούς που βασίζονται σε δεκαετίες παλιά τεχνολογία, συχνά φορές οι συσκευές φαξ ακόμη χρησιμοποιούνται για να στείλουν δεδομένα ασθενών πίσω και μπρος. Είναι ώρα να μοντερνοποιήσουμε αυτό το αρχαίο σύστημα.

Τώρα φανταστούμε τι θα συνέβαινε αν την επόμενη φορά που πήγαινε στο γιατρό, θα μπορούσε να έχει άμεση πρόσβαση στο γονιδίωμά σας και να τροφοδοτήσει τα τελευταία συμπτώματά σας σε έναν υπολογιστή ώστε η AI να επιστρέψει άμεσα αποτελέσματα με προτάσεις για επιλογές θεραπείας. Με φορετές συσκευές που παρακολουθούν δεδομένα υγείας σε πραγματικό χρόνο, η επίσκεψη σε γιατρό μπορεί να μην είναι απαραίτητη.

Η πιο αποτελεσματική λύση θα ήταν για το προσωπικό υγείας να εκπαιδευτεί σε γενετική συμβουλευτική, αυτή είναι η διαδικασία της διερεύνησης ατόμων και των οικογενειών τους που επηρεάζονται από ή είναι σε κίνδυνο γενετικών διαταραχών. Το πιο σημαντικό βήμα στη γενετική συμβουλευτική είναι η σύσταση των καλύτερων επιλογών θεραπείας με βάση το γενετικό προφίλ του ατόμου.

Ένα άλλο όφελος είναι η στόχευση των παραμελημένων σπάνιων ασθενειών, μια σπάνια ασθένεια είναι μια κατάσταση υγείας που επηρεάζει ένα μικρό αριθμό ατόμων σε σύγκριση με πιο συχνές ασθένειες που επηρεάζουν τον γενικό πληθυσμό. Αυτές οι σπάνιες ασθένειες είναι συχνά πολύ δαπανηρές για να στοχευτούν με τον παραδοσιακό τρόπο.

Ένα σύστημα βαθιάς μάθησης θα μπορούσε να συγκρίνει σύνολα δεδομένων (γενετικά προφίλ) για να αναγνωρίσει πιθανούς γενετικούς προδρόμους για αυτές τις σπάνιες ασθένειες. Οι σπάνιες ασθένειες μόνο επηρεάζουν 30 εκατομμύρια Αμερικανούς και κοστίζουν το αμερικανικό σύστημα υγείας $1 τρισεκατομμύριο το χρόνο.

Ένα έγκυρο επιχείρημα ενάντια στο παραπάνω θα ήταν η πιθανή απώλεια της ιδιωτικής ζωής των χρηστών. Αυτές οι ανησυχίες θα μπορούσαν να αποκατασταθούν με τη χρήση ενός προηγμένου τύπου μηχανικής μάθησης που ονομάζεται ομοσπονδιακή μάθηση. Με την ομοσπονδιακή μάθηση δεν υπάρχει ανάγκη να μοιραστούμε οποιαδήποτε προσωπικά αναγνωρίσιμα δεδομένα. Η ομοσπονδιακή μάθηση φέρνει τα μοντέλα μηχανικής μάθησης στη πηγή των δεδομένων, επιτρέποντας στα δεδομένα να αποθηκευτούν σε μια ασφαλή τοποθεσία. Για να μειώσουμε τις ανησυχίες για την ιδιωτική ζωή, μια απλή λύση θα ήταν για τον ασθενή (ή γονέα) να εγκρίνει την πρόσβαση στα προσωπικά αναγνωρίσιμα δεδομένα.

Αυτή η λύση θα μπορούσε να είναι ζωτικής σημασίας για τη βοήθεια στην εισαγωγή προσωποποιημένων φαρμάκων στην αγορά. Η γνώση των μορίων που πρέπει να στοχευτούν σε ένα άτομο είναι σημαντική για να μεταβούμε πλήρως στην προσωποποιημένη ιατρική.

Η προσωποποιημένη φροντίδα υγείας θα οδηγήσει σε φάρμακα που θα τυπώνονται σε 3D με προσεκτικά διαμορφωμένες δόσεις, σχήματα, μεγέθη και χαρακτηριστικά απελευθέρωσης για να στοχεύσουν συγκεκριμένα ένα άτομο. Όχι μόνο το φύλο, το βάρος και άλλες φυσικές μεταβλητές θα ληφθούν υπόψη, αλλά τα φάρμακα θα μπορούσαν να σχεδιαστούν για να στοχεύσουν συγκεκριμένα ένα μόριο που μπορεί να υπάρχει μόνο σε ορισμένα γονιδιώματα που ανήκουν σε ορισμένες πληθυσμιακές ομάδες.

Η βαθιά μάθηση έχει χρησιμοποιηθεί επιτυχώς για να προβλέψει τη δέσμευση μεταξύ ενός φαρμάκου και ενός στόχου μορίου, αυτό ήταν επιτυχώς δοκιμασμένο από ερευνητές στο Ινστιτούτο Επιστημών και Τεχνολογίας του Gwangju στην Κορέα, όπως δημοσιεύθηκε στο Περιοδικό Χημικής Πληροφορικής.

Ένα κατακερματισμένο ιδιωτικό σύστημα υγείας μπορεί να δυσκολευτεί με το παραπάνω, αλλά αυτό το σενάριο θα μπορούσε να δοκιμαστεί σήμερα από φιλόδοξους πολιτικούς που ενδιαφέρονται για σκέψη moonshot, ιδιαίτερα σε δημόσια συστήματα υγείας.

Η Εσθονία είναι στην πραγματικότητα η ηγέτης σε αυτό, το Εσθονικό Πρόγραμμα Γονιδιώματος είναι μια πληθυσμιακή βιολογική βάση δεδομένων και βιοτράπεζα που περιέχει ιατρικά αρχεία από ένα μεγάλο ποσοστό του πληθυσμού της Εσθονίας. Το Ισραηλινό Πρόγραμμα Γονιδιώματος είναι ένα άλλο φιλόδοξο πρόγραμμα για να αλληλουχήσει τα γονιδιώματα περισσότερων από 100.000 μελών του Ισραηλινού πληθυσμού.

Η σαφής ηγέτης σε αυτόν τον χώρο είναι το Ηνωμένο Βασίλειο, εκεί η Γονιδιωματική Αγγλίας συνεργάζεται με το NHS για να παραδώσει και να βελτιώσει συνεχώς τις γονιδιωματικές εξετάσεις για να βοηθήσει τους γιατρούς και τους κλινικούς γιατρούς να διαγνώσουν, να θεραπεύσουν και να προληψουν ασθένειες, όπως σπάνιες ασθένειες και καρκίνο. Έχουν επίσης ένα στόχο να αλληλουχήσουν τα γονιδιώματα 100.000 μελών.

Ένα πρόβλημα με τις παραπάνω εθνικές βάσεις δεδομένων είναι ότι οι πληθυσμοί των οποίων τα γονιδιώματα έχουν αλληλουχηθεί είναι ακόμη σχετικά μικροί. Ένα μεγαλύτερο σύνολο δεδομένων θα οδηγούσε σε υψηλότερη απόδοση από το σύστημα AI όταν χρησιμοποιείται για να αναγνωρίσει πρότυπα στα δεδομένα. Περισσότερο σημαντικά, θα οδηγούσε σε ίση πρόσβαση στην υγεία για ολόκληρο τον πληθυσμό.

Επίσης, δεδομένα από μια πιο ποικιλόμορφη εθνοτική υπόβαση θα ήταν επωφελή για να αποτρέψουν πιθανές προκαταλήψεις AI. Οι προκαταλήψεις AI οφείλονται σε δεδομένα που λείπουν από ποικιλία, συμπεριλαμβανομένης της γενετικής ποικιλίας. Ο Καναδάς, για παράδειγμα, θα ήταν ο καλύτερος για να εκμεταλλευτεί αυτό, λόγω του καθεστώτος του ως ενός από τους μεγαλύτερους πληθυσμούς μετανάστευσης στον κόσμο, με το 20% του πληθυσμού του Καναδά να έχει γεννηθεί στο εξωτερικό. Αυτό αντιτίθεται στα συστήματα της Εσθονίας και του Ισραήλ, τα οποία πάσχουν από έλλειψη εθνοτικής ποικιλίας.

Η τυποποίηση της αλληλούχησης του γονιδιώματος και η χρήση της βαθιάς μάθησης θα μπορούσε να οδηγήσει σε μεγάλη οικονομική εξοικονόμηση και οφέλη για την υγεία στο καναδικό σύστημα υγείας. Ένα σύστημα που συχνά χαρακτηρίζεται από τους Καναδούς ως δυσλειτουργικό με μακρές περιόδους αναμονής.

Το παραπάνω απαιτεί φιλόδοξη σκέψη, ανεξάρτητα από το ποια χώρα αναλαμβάνει αυτή τη σκέψη moonshot, θα εξοικονομεί χρήματα των φορολογουμένων, επενδύοντας στο μέλλον, αυξάνοντας την ποιότητα ζωής και επεκτείνοντας τη διάρκεια ζωής του γενικού πληθυσμού – Όλα αυτά ενώ ηγείται του κόσμου στην προσφορά ίσης πρόσβασης στην προσωποποιημένη φροντίδα υγείας και προσωποποιημένης ιατρικής.

Ο Antoine είναι ένας οραματιστής ηγέτης και ιδρυτικός εταίρος της Unite.AI, με αμείωτο πάθος για τη διαμόρφωση και την προώθηση του μέλλοντος της τεχνητής νοημοσύνης και της ρομποτικής. Έχοντας ιδρύσει πολλές επιχειρήσεις, πιστεύει ότι η τεχνητή νοημοσύνη θα μεταμορφώσει την κοινωνία όσο και ο ηλεκτρισμός και συχνά μιλά με ενθουσιασμό για τις δυνατότητες των ανατρεπτικών τεχνολογιών και της τεχνητής γενικής νοημοσύνης (AGI).

Ως μελλοντολόγος, είναι αφοσιωμένος στη διερεύνηση του τρόπου με τον οποίο αυτές οι καινοτομίες θα διαμορφώσουν τον κόσμο μας. Επιπλέον, είναι ιδρυτής του Securities.io, μιας πλατφόρμας που εστιάζει στις επενδύσεις σε τεχνολογίες αιχμής οι οποίες επαναπροσδιορίζουν το μέλλον και μεταμορφώνουν ολόκληρους κλάδους.