Metoda głębokiego uczenia się wykrywania biomarkerów chorób

Naukowcy z University of Waterloo rozwinęli sieć głębokiego uczenia się, która może wykryć biomarkery chorób z wysokim stopniem dokładności. Osiąga 98 procent wykrycia cech peptydowych w zbiorze danych, co oznacza, że naukowcy i eksperci medyczni będą mieli większą szansę na odkrycie możliwych chorób poprzez analizę próbek tkanek.

Identyfikacja biomarkerów

Istniejące techniki wykrywania chorób obejmują analizę struktury białkowej bio-próbek. Programy komputerowe odgrywają dużą rolę w tym procesie, ponieważ badają duże ilości danych wytwarzanych w testach, które mogą następnie wykorzystać do identyfikacji konkretnych markerów chorób.

Fatema Tuz Zohora jest doktorantką w Cheriton School of Computer Science.

“Ale istniejące programy są często niedokładne lub mogą być ograniczone przez błąd ludzki w ich podstawowych funkcjach”, powiedziała Zohora.

“To, co zrobiliśmy w naszym badaniu, to stworzenie głębokiej sieci neuronowej, która osiąga 98 procent wykrycia cech peptydowych w zbiorze danych. Pracujemy nad tym, aby wykrywanie chorób było bardziej dokładne, aby świadczyć usługi opieki zdrowotnej z najlepszymi narzędziami”, kontynuowała Zohora.

Peptydy są łańcuchami aminokwasów, które tworzą białka w tkankach ludzkich, a te małe łańcuchy są często identyfikowane jako specyficzne markery chorób. Jeśli naukowcy będą mogli znaleźć lepszy sposób testowania, będzie możliwe wykrywanie chorób z większą dokładnością i znacznie wcześniej.

Sieć głębokiego uczenia się Pointlso

Nowa sieć głębokiego uczenia się opracowana przez zespół nosi nazwę Pointlso i jest formą uczenia maszynowego lub sztucznej inteligencji, która została przeszkolona na ogromnej bazie danych istniejących sekwencji z bio-próbek.

“Inne metody wykrywania biomarkerów chorób zwykle mają wiele parametrów, które muszą być ręcznie ustawione przez ekspertów”, powiedziała Zohora. “Ale nasza głęboka sieć neuronowa sama uczy się parametrów, co jest bardziej dokładne i czyni odkrywanie biomarkerów chorób bardziej zautomatyzowanym.”

Kolejnym ważnym aspektem programu jest to, że nie jest on szkolony do poszukiwania tylko jednego rodzaju choroby. Zamiast tego jest szkolony do identyfikacji biomarkerów związanych z różnymi chorobami, takimi jak choroby serca, rak i COVID-19.

“Może być stosowany w przypadku każdego rodzaju biomarkerów chorób”, powiedziała Zohora. “I ponieważ jest to podstawowo model rozpoznawania wzorców, może być wykorzystywany do wykrywania małych obiektów w dużej ilości danych. Istnieje wiele zastosowań w medycynie i nauce; jest emocjonujące, aby zobaczyć możliwości otwierające się za pomocą tego badania i jak może pomóc ludziom.”