Машинное обучение играет все большую роль в биомедицинских исследованиях. Ученые из Мюнхенского технического университета (ТУМ) разработали новый метод использования молекулярных данных для выделения подтипов заболеваний. В будущем этот метод может помочь в изучении больших групп пациентов.
В настоящее время врачи определяют и диагностируют большинство заболеваний на основе симптомов. Однако это не обязательно означает, что болезни пациентов с похожими симптомами будут иметь одинаковые причины или демонстрировать одинаковые молекулярные изменения. В биомедицине часто говорят о молекулярных механизмах заболевания. Это относится к изменениям в регуляции генов, белков или метаболических путей в начале заболевания. Цель стратифицированной медицины – классифицировать пациентов на различные подтипы на молекулярном уровне, чтобы обеспечить более целенаправленное лечение.
Для выделения подтипов заболеваний из больших массивов данных о пациентах могут помочь новые алгоритмы машинного обучения. Они предназначены для самостоятельного распознавания закономерностей и корреляций в обширных клинических измерениях. Младшая исследовательская группа LipiTUM под руководством доктора Йоша Константина Паулинга с кафедры экспериментальной биоинформатики разработала алгоритм для этой цели.
Комплексный анализ с помощью автоматизированного веб-инструмента
Их метод объединяет результаты существующих алгоритмов для получения более точных и надежных прогнозов клинических подтипов. Это объединяет характеристики и преимущества каждого алгоритма и избавляет от необходимости их трудоемкой настройки. “Это значительно упрощает применение анализа в клинических исследованиях”, – сообщает доктор Паулинг. “По этой причине мы разработали веб-инструмент, который позволяет проводить анализ молекулярных клинических данных в режиме онлайн специалистам без предварительных знаний в области биоинформатики”.
На сайте исследователи могут представить свои данные для автоматизированного анализа и использовать результаты для интерпретации своих исследований. “Еще одним важным аспектом для нас была визуализация результатов. Предыдущие подходы не позволяли создавать интуитивно понятные визуализации взаимосвязей между группами пациентов, клиническими факторами и молекулярными сигнатурами. Это изменится с появлением веб-визуализации, созданной нашим инструментом MoSBi”, – говорит Тим Роуз, ученый из Школы наук о жизни ТУМ. MoSBi означает “молекулярные сигнатуры с использованием бикластеризации”. Бикластеризация – это название технологии, используемой алгоритмом.
Применение для решения клинически значимых вопросов
С помощью этого инструмента исследователи теперь могут, например, представлять данные из исследований рака и симуляций для различных сценариев. Они уже продемонстрировали потенциал своего метода в крупномасштабном клиническом исследовании. В совместном исследовании, проведенном с учеными из Института Макса Планка в Дрездене, Технического университета Дрездена и Университетской клиники Киля, они изучали изменения липидного обмена в печени пациентов с неалкогольной жировой болезнью печени (НАЖБП).
Это широко распространенное заболевание связано с ожирением и диабетом. Оно развивается от неалкогольной жировой болезни печени (НАЖБП), при которой липиды откладываются в клетках печени, к неалкогольному стеатогепатиту (НАСГ), при котором печень еще больше воспаляется, к циррозу печени и образованию опухолей. Кроме корректировки рациона питания, никаких методов лечения на сегодняшний день не найдено. Поскольку болезнь характеризуется и диагностируется по накоплению в печени различных липидов, важно понять их молекулярный состав.
Биомаркеры заболевания печени
Используя методы MoSBi, исследователи смогли продемонстрировать гетерогенность печени пациентов на стадии НАФЛ на молекулярном уровне. “С молекулярной точки зрения клетки печени многих пациентов с НАФЛ были практически идентичны клеткам печени пациентов с НАСГ, в то время как другие были в значительной степени похожи на здоровых пациентов. Мы также смогли подтвердить наши прогнозы с помощью клинических данных”, – говорит доктор Паулинг. “Затем мы смогли определить два потенциальных липидных биомаркера развития заболевания”. Это важно для раннего распознавания болезни и ее прогрессирования, а также для разработки целевых методов лечения.
Исследовательская группа уже работает над дальнейшим применением своего метода для лучшего понимания других заболеваний. “В будущем алгоритмы будут играть еще большую роль в биомедицинских исследованиях, чем сегодня. Они могут значительно облегчить выявление сложных механизмов и поиск более целенаправленных подходов к лечению”, – говорит доктор Паулинг.
Меня тут информация про тату на https://o-tendencii.com/ заинтересовала, мне кажется такая информация порадует и заинтересует очень многих. По этому, если вам это интересно, то стоит обязательно посмотреть.