ຮັກສາສຸຂະພາບ

ສູດການຄິດໄລ່ທີ່ໃຊ້ໂດຍບໍລິສັດເຊັ່ນ Netflix ສາມາດຖອດລະຫັດພາສາຊີວະພາບຂອງພະຍາດ neurodegenerative

ຈັດພີມມາ

3 ປີກ່ອນຫນ້ານີ້

ເມສາ 13, 2021

ສູດການຄິດໄລ່ທີ່ມີປະສິດທິພາບທີ່ໃຊ້ໂດຍບໍລິສັດເຊັ່ນ Netflix, Facebook, ແລະ Amazon ສາມາດມີຜົນກະທົບທີ່ສໍາຄັນໃນການດູແລສຸຂະພາບ. ພວກເຂົາເຈົ້າໄດ້ສະແດງໃຫ້ເຫັນຄວາມສາມາດໃນການຄາດຄະເນພາສາຊີວະພາບຂອງມະເຮັງແລະພະຍາດ neurodegenerative ອື່ນໆເຊັ່ນ: Alzheimer's.

ການລິເລີ່ມນີ້ໄດ້ຖືກປະຕິບັດໂດຍນັກວິຊາການຢູ່ວິທະຍາໄລ St. John's, ມະຫາວິທະຍາໄລ Cambridge, ຜູ້ທີ່ປ້ອນຂໍ້ມູນໃຫຍ່ທີ່ຜະລິດໃນໄລຍະທົດສະວັດເຂົ້າໄປໃນຮູບແບບພາສາຄອມພິວເຕີ. ເປົ້າໝາຍແມ່ນເພື່ອເຂົ້າໄປເບິ່ງວ່າປັນຍາປະດິດ (AI) ສາມາດເຮັດໃຫ້ການຄົ້ນພົບທີ່ກ້າວໜ້າກວ່າມະນຸດໄດ້ຫຼືບໍ່, ແລະເຂົາເຈົ້າໄດ້ພົບເຫັນພຽງແຕ່ວ່າດ້ວຍຄວາມສາມາດຂອງເທັກໂນໂລຍີໃນການຖອດລະຫັດພາສາຊີວະພາບ.

ການສຶກສາໄດ້ຖືກຈັດພີມມາຢູ່ໃນວາລະສານວິທະຍາສາດ PNAS, ຫົວຂໍ້ "ການຮຽນຮູ້ໄວຍາກອນໂມເລກຸນຂອງທາດໂປຼຕີນຈາກ condensates ຈາກຕົວກໍານົດລໍາດັບແລະການຝັງຕົວ. " ອີງຕາມຜູ້ຊ່ຽວຊານ, ມັນສາມາດຖືກນໍາໃຊ້ເພື່ອ "ແກ້ໄຂຄວາມຜິດພາດທາງໄວຍາກອນພາຍໃນຈຸລັງທີ່ເຮັດໃຫ້ເກີດພະຍາດ."

ອາຈານ Tuomas Knowles ເປັນຜູ້ນໍາພາຂອງເອກະສານແລະເປັນສະມາຊິກຢູ່ວິທະຍາໄລ St. John.

“ການນຳເອົາເທັກໂນໂລຍີການຮຽນຮູ້ເຄື່ອງຈັກເຂົ້າໃນການຄົ້ນຄວ້າກ່ຽວກັບພະຍາດ neurodegenerative ແລະມະເຮັງແມ່ນການປ່ຽນແປງເກມຢ່າງແທ້ຈິງ. ໃນທີ່ສຸດ, ຈຸດປະສົງແມ່ນເພື່ອນໍາໃຊ້ປັນຍາປະດິດເພື່ອພັດທະນາຢາເປົ້າຫມາຍເພື່ອຫຼຸດຜ່ອນອາການຢ່າງຫຼວງຫຼາຍຫຼືເພື່ອປ້ອງກັນການເກີດໂຣກສະຫມອງເສື່ອມທັງຫມົດ."

ສູດການຄິດໄລ່ທີ່ມີປະສິດທິພາບ

ຂັ້ນຕອນການຮຽນຮູ້ເຄື່ອງຈັກທີ່ໃຊ້ໂດຍບໍລິສັດຕ່າງໆເຊັ່ນ Netflix ແລະ Facebook ເຮັດໃຫ້ການຄາດຄະເນທີ່ມີການສຶກສາສູງກ່ຽວກັບຜູ້ບໍລິໂພກແລະສິ່ງທີ່ພວກເຂົາຈະເຮັດຕໍ່ໄປ. ນີ້ແມ່ນສິ່ງທີ່ເກີດຂື້ນເມື່ອ Netflix ແນະນໍາຮູບເງົາໃຫມ່ຫຼື Facebook ແນະນໍາຫມູ່ໃຫມ່. ຜູ້ຊ່ວຍສຽງເຊັ່ນ Alexa ແລະ Siri ສາມາດຮັບຮູ້ບຸກຄົນໃນທັນທີແລະຕອບສະຫນອງ.

ທ່ານດຣ. Kadi Liis Saar ເປັນຜູ້ຂຽນເອກະສານຄົນທຳອິດ ແລະເປັນນັກຄົ້ນຄວ້າທີ່ມະຫາວິທະຍາໄລ St. John's College. ນາງໄດ້ນໍາໃຊ້ເຕັກໂນໂລຢີທີ່ຄ້າຍຄືກັນເພື່ອຝຶກອົບຮົມຮູບແບບພາສາຂະຫນາດໃຫຍ່, ເຊິ່ງມີຈຸດປະສົງເພື່ອກໍານົດສິ່ງທີ່ເກີດຂື້ນກັບທາດໂປຼຕີນໃນລະຫວ່າງພະຍາດ.

“ຮ່າງກາຍຂອງມະນຸດເປັນບ່ອນຢູ່ຂອງໂປຣຕີນຫຼາຍພັນ ແລະຫຼາຍພັນໂຕ ແລະນັກວິທະຍາສາດຍັງບໍ່ທັນຮູ້ໜ້າທີ່ຂອງພວກມັນ. ພວກເຮົາໄດ້ຖາມຮູບແບບພາສາທີ່ອີງໃສ່ເຄືອຂ່າຍ neural ເພື່ອຮຽນຮູ້ພາສາຂອງທາດໂປຼຕີນ,” ນາງເວົ້າ.

"ພວກເຮົາໂດຍສະເພາະໄດ້ຂໍໃຫ້ໂຄງການຮຽນຮູ້ພາສາຂອງຮູບຮ່າງຂອງ condensates biomolecular - ຢອດຂອງທາດໂປຼຕີນທີ່ພົບເຫັນຢູ່ໃນຈຸລັງ - ທີ່ນັກວິທະຍາສາດຈໍາເປັນຕ້ອງເຂົ້າໃຈແທ້ໆເພື່ອທໍາລາຍພາສາຂອງການເຮັດວຽກທາງຊີວະພາບແລະການເຮັດວຽກຜິດປົກກະຕິທີ່ເຮັດໃຫ້ເກີດມະເຮັງແລະພະຍາດ neurodegenerative ເຊັ່ນ Alzheimer's. ພວກເຮົາພົບວ່າມັນສາມາດຮຽນຮູ້ໄດ້, ໂດຍບໍ່ມີການບອກຢ່າງຈະແຈ້ງ, ສິ່ງທີ່ນັກວິທະຍາສາດໄດ້ຄົ້ນພົບແລ້ວກ່ຽວກັບພາສາຂອງທາດໂປຼຕີນໃນໄລຍະທົດສະວັດຂອງການຄົ້ນຄວ້າ."

ນັກວິທະຍາສາດເຊື່ອວ່າມີພະຍາດ neurodegenerative ຫຼາຍຮ້ອຍຄົນ, ໂດຍທີ່ພົບເລື້ອຍທີ່ສຸດແມ່ນພະຍາດ Alzheimer, Parkinson, ແລະ Huntingon's disease. Alzheimer's ມີຜົນກະທົບ 50 ລ້ານຄົນໃນທົ່ວໂລກ, ແລະໃນລະຫວ່າງການເປັນພະຍາດ, ທາດໂປຼຕີນທີ່ປະກອບເປັນ clumps ແລະຂ້າຈຸລັງເສັ້ນປະສາດທີ່ມີສຸຂະພາບດີ.

ທາດໂປຼຕີນຈາກ condensates ແລະເຕັກໂນໂລຊີ NLP

ດ້ວຍສະຫມອງທີ່ມີສຸຂະພາບດີ, ມະຫາຊົນຂອງທາດໂປຼຕີນເຫຼົ່ານີ້ສາມາດຖືກກໍາຈັດຢ່າງມີປະສິດທິພາບ. ອີງຕາມການຄົ້ນພົບທີ່ຜ່ານມາ, ນັກວິທະຍາສາດໃນປັດຈຸບັນເຊື່ອວ່າບາງທາດໂປຼຕີນທີ່ບໍ່ເປັນລະບຽບສ້າງເປັນ condensates, ຊຶ່ງເປັນຂອງແຫຼວເປັນ droplets ຂອງໂປຣຕີນ. ເຫຼົ່ານີ້ບໍ່ມີເຍື່ອແລະປະສົມປະສານຢ່າງເສລີກັບກັນແລະກັນ, ແລະພວກເຂົາສາມາດສ້າງແລະປະຕິຮູບ.

"ທາດໂປຼຕີນຈາກ condensates ບໍ່ດົນມານີ້ໄດ້ດຶງດູດຄວາມສົນໃຈຫຼາຍໃນໂລກວິທະຍາສາດເພາະວ່າພວກເຂົາຄວບຄຸມເຫດການທີ່ສໍາຄັນໃນເຊນເຊັ່ນການສະແດງອອກຂອງເຊື້ອສາຍ - ວິທີການ DNA ຂອງພວກເຮົາຖືກປ່ຽນເປັນທາດໂປຼຕີນ - ແລະການສັງເຄາະທາດໂປຼຕີນ - ຈຸລັງສ້າງໂປຣຕີນແນວໃດ," ອາຈານ Knowles ກ່າວ.

“ຂໍ້ບົກພ່ອງໃດໆທີ່ເຊື່ອມຕໍ່ກັບຢອດທາດໂປຼຕີນເຫຼົ່ານີ້ສາມາດນໍາໄປສູ່ພະຍາດຕ່າງໆເຊັ່ນມະເຮັງ. ນີ້ແມ່ນເຫດຜົນທີ່ວ່ານໍາເອົາເທກໂນໂລຍີການປຸງແຕ່ງພາສາທໍາມະຊາດເຂົ້າໃນການຄົ້ນຄວ້າກ່ຽວກັບຕົ້ນກໍາເນີດຂອງໂມເລກຸນຂອງຄວາມຜິດປົກກະຕິຂອງທາດໂປຼຕີນແມ່ນສໍາຄັນຖ້າພວກເຮົາຕ້ອງການທີ່ຈະສາມາດແກ້ໄຂຄວາມຜິດພາດທາງໄວຍາກອນພາຍໃນຈຸລັງທີ່ເຮັດໃຫ້ເກີດພະຍາດ, "ລາວເວົ້າຕໍ່ໄປ.

"ພວກເຮົາໄດ້ປ້ອນຂໍ້ມູນທັງໝົດຂອງ algorithm ຢູ່ໃນໂປຣຕີນທີ່ຮູ້ຈັກ ເພື່ອໃຫ້ມັນສາມາດຮຽນຮູ້ ແລະຄາດຄະເນພາສາຂອງໂປຣຕີນໃນແບບດຽວກັນກັບຕົວແບບເຫຼົ່ານີ້ຮຽນຮູ້ກ່ຽວກັບພາສາຂອງມະນຸດ ແລະ WhatsApp ຮູ້ວິທີແນະນຳຄຳສັບຕ່າງໆໃຫ້ທ່ານໃຊ້," Dr. Saar ເວົ້າ.

"ຫຼັງຈາກນັ້ນ, ພວກເຮົາສາມາດຖາມມັນກ່ຽວກັບໄວຍາກອນສະເພາະທີ່ນໍາພາພຽງແຕ່ບາງທາດໂປຼຕີນທີ່ຈະປະກອບເປັນ condensates ພາຍໃນຈຸລັງ. ມັນເປັນບັນຫາທີ່ທ້າທາຍຫຼາຍ ແລະການປົດລັອກມັນຈະຊ່ວຍໃຫ້ພວກເຮົາຮຽນຮູ້ກົດລະບຽບຂອງພາສາຂອງພະຍາດ,” ທ່ານດຣ Saar ກ່າວຕໍ່ໄປ.

ຕົວຂັບເຄື່ອນຕົ້ນຕໍທີ່ຢູ່ເບື້ອງຫລັງຄວາມກ້າວຫນ້າຂອງເຕັກໂນໂລຢີນີ້ແມ່ນຈໍານວນຂໍ້ມູນທີ່ເພີ່ມຂຶ້ນ, ພະລັງງານຄອມພິວເຕີ້ສູງຂຶ້ນ, ແລະຄວາມກ້າວຫນ້າທາງດ້ານເຕັກນິກ. ການຮຽນຮູ້ເຄື່ອງຈັກມີທ່າແຮງທີ່ຈະຫັນປ່ຽນການຄົ້ນຄວ້າໃນຂົງເຂດເຫຼົ່ານີ້ຢ່າງຫຼວງຫຼາຍ, ເຮັດໃຫ້ການຄົ້ນພົບທີ່ບໍ່ເຄີຍມີມາກ່ອນ.

ອີງຕາມທ່ານດຣ Saar, "ການຮຽນຮູ້ເຄື່ອງຈັກສາມາດບໍ່ມີຂໍ້ຈໍາກັດຂອງສິ່ງທີ່ນັກຄົ້ນຄວ້າຄິດວ່າເປັນເປົ້າຫມາຍສໍາລັບການຄົ້ນຄວ້າວິທະຍາສາດແລະມັນຈະຫມາຍຄວາມວ່າການເຊື່ອມຕໍ່ໃຫມ່ຈະພົບເຫັນທີ່ພວກເຮົາຍັງບໍ່ທັນໄດ້ຄິດເຖິງເທື່ອ. ມັນໜ້າຕື່ນເຕັ້ນຫຼາຍແທ້ໆ.”

ໃຫມ່ ເຄືອຂ່າຍ ມີໃຫ້ນັກຄົ້ນຄວ້າໃນທົ່ວໂລກ, ແລະຈໍານວນນັກວິທະຍາສາດທີ່ເພີ່ມຂຶ້ນແມ່ນມີສ່ວນຮ່ວມ.