響應(yīng)于人體變化而產(chǎn)生的相互連接的蜂窩信號的復(fù)雜網(wǎng)絡(luò)，提供了大量有趣而有價值的見解，可為開發(fā)更有效的治療方法提供參考。在外周免疫細(xì)胞中，可以使用多種工具(包括細(xì)胞譜分析技術(shù))觀察并定量這些信號。

在過去的幾年中，單細(xì)胞分析技術(shù)(如多色流式細(xì)胞術(shù)和質(zhì)譜分析法)已得到顯著改善，并且從理論上講，它們現(xiàn)在可用于獲得表現(xiàn)出許多癥狀的患者的詳細(xì)免疫特征。盡管如此，過去研究的樣本量有限，而且迄今為止收集的患者數(shù)據(jù)的高維度性增加了假陽性發(fā)現(xiàn)的機(jī)會，這反過來又導(dǎo)致了不可靠的免疫特征。

對更大范圍的患者進(jìn)行研究可以提高這些細(xì)胞譜技術(shù)的有效性，使醫(yī)學(xué)研究人員可以更好地了解與醫(yī)學(xué)狀況相關(guān)的模式。但是，從許多患者那里收集數(shù)據(jù)可能既昂貴又耗時。

斯坦福大學(xué)醫(yī)學(xué)院的研究人員最近開發(fā)了免疫學(xué)Elastic-Net(iEN)，這是一種機(jī)器學(xué)習(xí)模型，可以根據(jù)機(jī)械免疫學(xué)知識預(yù)測細(xì)胞反應(yīng)。在發(fā)表于《自然機(jī)器智能》上的一篇論文中，他們證明了將這種免疫學(xué)知識納入其模型的預(yù)測過程中可以提高其在大小患者數(shù)據(jù)集上的預(yù)測能力。

“我們的方法使我們能夠利用以前的研究來提高模型的準(zhǔn)確性，而無需招募更多的患者，”負(fù)責(zé)這項(xiàng)研究的研究人員之一尼瑪·阿格霍普(Nima Aghaeepour)以及安東尼·庫洛斯(Anthony Culos)，馬丁·昂斯特(Martin Angst)和布萊斯·高迪利埃(Brice Gaudilliere)告訴TechXplore。“我們方法的主要優(yōu)勢在于它不會限制模型的數(shù)據(jù)驅(qū)動性質(zhì)。在收集的數(shù)據(jù)與先驗(yàn)知識不一致的情況下，我們的算法可以減少先驗(yàn)知識的重要性，而專注于原始數(shù)據(jù)如果那被證明是更強(qiáng)大的解決方案。”

LTP研究概述。可視化在外周免疫細(xì)胞中測量并通過離體刺激狀態(tài)著色的細(xì)胞內(nèi)信號傳導(dǎo)反應(yīng)的相關(guān)網(wǎng)絡(luò)。邊代表Bonferroni校正后的多對假設(shè)校正后的顯著(P <0.05)成對相關(guān)性。結(jié)節(jié)大小代表與反應(yīng)變量(足月妊娠期間的胎齡)的相關(guān)性的重要性。圖片來源：Culos等。

在醫(yī)學(xué)研究人員必須考慮廣泛范圍的情況下，各種功能對于做出預(yù)測可能同樣有價值。因此，Aghaeepour和他的同事開發(fā)的機(jī)器學(xué)習(xí)算法不是丟棄與先前的免疫學(xué)數(shù)據(jù)不一致的變量，而是選擇了發(fā)現(xiàn)具有強(qiáng)烈預(yù)測價值和相關(guān)性的所有免疫特征。

到目前為止，研究人員已經(jīng)在三項(xiàng)獨(dú)立研究中評估了他們的機(jī)器學(xué)習(xí)算法的性能。在所有這些研究中，他們發(fā)現(xiàn)他們的模型可以根據(jù)從患者血液中產(chǎn)生的模擬數(shù)據(jù)和大量細(xì)胞數(shù)據(jù)來預(yù)測臨床相關(guān)結(jié)果。

Aghaeepour說：“在我們的論文中，我們包含了兩個現(xiàn)實(shí)世界中的臨床案例，其中iEN管道提高了我們對妊娠和牙周疾病建模的準(zhǔn)確性。” “我們還有其他激動人心的用例，我們迫不及待要發(fā)表，包括手術(shù)康復(fù)，阿爾茨海默氏病和帕金森氏病。”

將來，Aghaeepour及其同事開發(fā)的機(jī)器學(xué)習(xí)平臺可以幫助研究多種疾病，醫(yī)療狀況和神經(jīng)系統(tǒng)疾病。研究人員使用的數(shù)據(jù)和iEN算法可在線獲得，因此世界各地的其他研究團(tuán)隊(duì)可以很快訪問和使用它們。

Aghaeepour說：“我們現(xiàn)在也在努力開發(fā)適用于其他類型的生物數(shù)據(jù)集的算法版本。” “一個主要的例子是多組學(xué)研究，其中幾種組學(xué)技術(shù)同時用??于免疫系統(tǒng)分析。我們相信這些數(shù)據(jù)集為將先驗(yàn)知識編碼到機(jī)器學(xué)習(xí)算法中提供了獨(dú)特的機(jī)會。”

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！