Futuristi-sarja
Miten ihmisen genomin sekvensointi ja syväoppiminen voivat mullistaa yksilöllisen terveydenhuollon

Keskeiset kohdatSyväoppiminen kansallisilla genomitiedoilla voisi säästää Yhdysvaltojen…
Näytä lisää
- Syväoppiminen kansallisilla genomitiedoilla voisi säästää Yhdysvaltojen terveydenhuoltojärjestelmältä 26 miljardia dollaria vuodessa syövän varhaisen diagnosoinnin avulla.
- Liittoutunut oppiminen mahdollistaa tekoälyn analysoida geneettistä tietoa harvinaisten sairauksien osalta ilman, että potilaiden henkilökohtaisia tunnistetietoja jaetaan.
- Kanadan monimuotoinen maahanmuuttajaväestö asemoi sen välttämään tekoälyn harhoja ja johtamaan yksilöllistetyssä genomiterveydenhuollossa.
Ensimmäisen ihmisen genomin sekvensointi oli massiivinen julkisen sektorin hanke, joka maksoi 2,7 miljardia dollaria ja kesti lähes 15 vuotta. Nykyinen ihmisen genomin sekvensoinnin kustannus on laskenut dramaattisesti. Kustannus laski $4000 vuonna 2015: sta alle 300 dollariin tänään.
Jotkut genomiikan yritykset pyrkivät laskemaan kustannuksia alle 100 dollariin. Nämä hinnat ovat siirtäneet kysymyksen siihen, milloin ihmisen genomin sekvensoimatta jättäminen on laiminlyönti.
Yksi tutkimus osoitti, että syövän varhainen diagnosointi voi säästää Yhdysvaltain terveydenhuoltojärjestelmälle keskimäärin 26 miljardia dollaria vuodessa. Vertailukelpoisesti sekvensoimalla jokaisen Amerikan kansalaisen kustannus olisi kertaluontoinen 100 miljardin dollarin kustannus, ja tämä kustannus voisi laskea edelleen, jos otetaan huomioon skaalatuotannon hyödyt.
Syöpään liittyvien geneettisten alttiuksien löytämisen lisäksi genomin sekvensointi on suoraan relevantti monien periytyvien geneettisten häiriöiden tunnistamiselle, kuten yhden geenin periytyminen, monitekijäinen periytyminen, kromosomipoikkeavuudet ja mitokondriaalinen periytyminen.
Nyt kuvitellaan hyötyjä yhteiskunnalle, jos koneoppimisen osa-aluetta, jota kutsutaan syväoppimiseksi käytettäisiin analysoimaan tätä geneettisen tiedon aarretta.
Syväoppiminen perustuu löyhästi aivojen hermoverkkoihin;, syväoppiminen on yksi tärkeimmistä työkaluista, joihin datatieteilijät luottavat. Syväoppiminen analysoi dataa ja käyttää hahmontunnistusta luodakseen monimutkaisia malleja, jotka voivat oppia monimutkaisia kuvioita ja yleistää niitä tunnistamaan datapisteitä. Nämä datapisteet voivat olla monimutkaisia, ja mitä enemmän dataa syväoppimisjärjestelmä käsittelee, sitä vaikuttavampia tulokset ovat.
Jos koko väestön tiedot syötettäisiin syväoppimisjärjestelmään, koneoppimisalgoritmit voisivat tunnistaa potentiaalisia biomerkkejä syövälle tai muiden sairauksille. Lisäksi järjestelmä voisi tutkia syvällisesti geneettisiä sukujuuria tunnistamaan, mitkä geenit ovat vastuussa eri ominaisuuksista tai vaivoista.
Tämä ei ole vallankumouksellista tekoälyn asiantuntijoille, ongelma on riippuvuutemme vanhentuneista hallituksista, jotka luottavat usein vuosikymmeniä vanhoihin tekniikoihin, ja potilastietoja lähetetään usein yhä edestakaisin faksilla. On aika modernisoida tämä vanhentunut järjestelmä.
Nyt kuvitellaan, että seuraavalla kerralla kun menet lääkärin luo, lääkäri voisi heti tarkastella genomiasi ja syöttää viimeisimmät oireesi tietokoneeseen, jotta AI voi palauttaa tulokset hoitovaihtoehtojen suosituksilla. Puettavilla laitteilla, jotka seuraavat reaaliaikaisia terveystietoja, lääkärin käynti ei välttämättä ole tarpeen.
Paras ratkaisu olisi, että terveydenhuollon henkilöstö koulutetaan geneettiseen neuvontaan, joka on prosessi, jossa tutkitaan yksilöitä ja heidän sukujuuriaan, joilla on geneettinen häiriö tai sen riski. Tärkein askel geneettisessä neuvonnassa on suositella parhaat hoitovaihtoehdot yksilön geneettisen profiilin perusteella.
Toinen hyöty on vähälle huomiolle jääneiden harvinaisten sairauksien tutkimuksessa, harvinainen sairaus on terveydentila, joka koskee pientä osaa väestöstä verrattuna yleisempiin sairauksiin, jotka vaikuttavat yleisesti väestöön. Näihin sairauksiin kohdistuvien hoitojen kehittäminen perinteisin keinoin on usein liian kallista.
Syväoppimisjärjestelmä voisi vertailla tietokantoja (geneettisiä profiileja) potentiaalisesti tunnistamaan geneettisiä ennusmerkkejä näille harvinaisille sairauksille. Harvinaiset sairaudet vaikuttavat 30 miljoonalle amerikkalaiselle ja maksavat Yhdysvaltain terveydenhuoltojärjestelmälle 1 biljoona dollaria vuodessa.
Yksi pätevä vastaväite edellä mainituille olisi potentiaalinen käyttäjän yksityisyyden menetys. Näitä huolia voitaisiin lieventää edistyneen koneoppimismenetelmän, hajautetun yhteisoppimisen avulla. Hajautetussa yhteisoppimisessa ei ole tarpeen jakaa mitään yksilöllisia tunnistetietoja. Hajautettu yhteisoppiminen tuo koneoppimismallit tietolähteeseen, mahdollistaen tietojen tallentamisen turvallisessa sijainnissa. Yksityisyyden huolenaiheiden vähentämiseksi yksinkertainen ratkaisu olisi, että potilas (tai vanhempi) hyväksyy yksilöllisten tunnistetietojen käytön.
Tämä ratkaisu voisi olla elintärkeä apuväline yksilöllisten lääkkeiden markkinoille saattamisessa. Tiedon saaminen siitä, mitkä molekyylit on kohdennettava yksilöllisesti, on tärkeää siirtymiseen kohti yksilöllista lääketiedettä.
Henkilökohtainen hoito johtaa siihen, että lääkkeet ovat 3D-tulostettuja huolellisesti määritellyillä annoksilla, muodoilla, kooilla ja vapautumisominaisuuksilla, jotka kohdistetaan yksilöllisesti. Ei vain sukupuoli, paino ja muut fyysiset muuttujat otetaan huomioon, vaan lääkkeet voivat myös olla suunniteltu kohdistamaan tiettyä molekyyliä, joka voi olla läsnä vain tiettyjen populaatioryhmien genoomeissa.
Syväoppiminen on onnistuneesti käytetty lääke- ja kohdemolekyylin sitoutumisen ennustamiseen, mikä on testattu menestyksekkäästi tutkijoilla Gwangjun tiede- ja teknologiainstituutissa Etelä-Koreassa, ja julkaistu Journal of Cheminformatics -julkaisussa.
Fragmentoitu yksityinen terveydenhuoltojärjestelmä voi kamppailla edellä mainituilla, mutta tämä skenaario voisi olla testattavissa tänään kunnianhimoisten poliitikkojen toimesta, jotka ovat kiinnostuneita moonshot-ajattelusta, erityisesti julkisissa terveydenhuoltojärjestelmissä.
Viro on johtava tässä, Viron genomi-projekti on populaatiopohjainen biologinen tietokanta ja biopankki, joka sisältää terveysrekisterit suurelta osin Viron väestöstä. Israelin genomi-projekti on toinen kunnianhimoinen hanke, jossa sekvensoidaan yli 100 000 Israelin väestön jäsentä.
Selkeä johtaja tässä tilassa on Iso-Britannia, jossa Genomics England tekee yhteistyötä NHS: n kanssa genomitutkimusten tarjoamiseksi ja jatkuvaksi parantamiseksi avustamaan lääkäreitä ja kliinikoita diagnoosimaan, hoitamaan ja estämään sairauksia, kuten harvinaisia sairauksia ja syöpää. Heillä on myös tavoite sekvensoida 100 000 henkilön.
Toinen ongelma kansallisten tietokantojen kanssa on, että sekvensoitu populaatio on edelleen suhteellisen pieni. Suurempi tietokanta johtaisi suurempaan suorituskykyyn tekoälyjärjestelmän suorituskykyyn, kun sillä tunnistetaan aineiston säännönmukaisuuksia. Tärkeämpää on, että se johtaisi tasapuoliseen terveydenhuoltoon koko väestölle.
Lisäksi tietoja monipuolisemmasta etnisestä taustasta olisi hyödyllistä estämään potentiaalisia tekoälyn vinouma -ongelmia. tekoälyn vinouma johtuu tiedoista, joissa puuttuu monimuotoisuutta, mukaan lukien geneettinen monimuotoisuus. Kanada esimerkiksi olisi parhaiten asemoitunut hyödyntämään tätä, sen asemasta yhtenä maailman suurimmista maahanmuuttajaväestöistä, 20% Kanadan väestöstä on ulkomailla syntynyt. Tämä poikkeaa Viron ja Israelin järjestelmistä, jotka kärsivät etnisen monimuotoisuuden puutteesta.
Genomin sekvensoinnin standardisointi ja syväoppimisen käyttäminen voisi johtaa suuriin taloudellisiin säästöihin ja terveyshyötyihin Kanadan terveydenhuoltojärjestelmälle. Järjestelmä, jota usein kutsutaan toimimattomaksi pitkien odotusaikojen vuoksi.
Edellä mainittu vaatii kunnianhimoista ajattelua, mutta mikä tahansa maa, joka toteuttaa tämän moonshot-ajattelun, säästäisi veronmaksajille rahaa, investoisi tulevaisuuteen, parantaisi elämänlaatua ja pidentäisi yleisen väestön elinikää – kaiken tämän aikana johtaa maailmaa tarjoamalla tasapuolista pääsyä yksilölliseen hoitoon ja yksilölliseen lääketieteeseen.












