Биологи используют машинное обучение для разработки новых вакцин
Новый алгоритм использует машинное обучение для поиска закономерностей в наборах данных, улучшая понимание иммунных реакций человека. Он обещает значительный прогресс в разработке вакцин и иммунологических исследованиях с широким потенциалом в различных биологических контекстах. Ученые могут использовать этот алгоритм для сравнения данных самых разных экспериментов, в том числе для лучшего прогнозирования реакции людей на болезни.
«Мы пытаемся понять, как люди борются с различными вирусами, но красота нашего метода заключается в том, что его можно применять в других биологических условиях, например, при сравнении различных лекарств или разных линий раковых клеток», — говорит Таль Эйнав, доктор медицинских наук, доцент Института иммунологии Ла-Хойи (LJI).
Некоторые исследователи могут изучать модели на животных, некотороые на людях. Одни лаборатории специализируются на детях, другие собирают образцы у пожилых людей с ослабленным иммунитетом. Местоположение тоже имеет значение. Клетки, собранные у пациентов в Австралии, могут реагировать на вирус по-другому в сравнении с клетками, собранными у группы пациентов в Германии. Это известно на основании прошлых случаев заражения вирусом в этих регионах.
«В биологии есть дополнительный уровень сложности. Вирусы постоянно развиваются, и это тоже меняет данные», — говорит Эйнав. «И даже если бы две лаборатории исследовали одних и тех же пациентов в один и тот же год, они могли бы получить несколько разные тесты».
Тесно сотрудничая с доктором Ронг Ма, научным сотрудником Стэнфордского университета, Эйнав решил разработать алгоритм, который поможет сравнивать большие наборы данных. Его вдохновил опыт работы в физике, дисциплине, в которой — независимо от того, насколько инновационным является эксперимент — ученые могут быть уверены, что данные будут соответствовать известным законам физики. E всегда будет равно mc2.
Новому вычислительному методу не нужно точно знать, где и как был получен каждый набор данных. Вместо этого Эйнав и Ма использовали машинное обучение, чтобы определить, какие наборы данных следуют одним и тем же базовым шаблонам.
«Вам не обязательно говорить мне, что некоторые данные поступили от детей, взрослых или подростков. Мы просто спрашиваем машину, насколько данные похожи друг на друга, а затем объединяем похожие наборы данных в расширенный набор, который обучает алгоритмы еще лучшие », — говорит Эйнав.
Со временем эти сравнения могут выявить последовательные принципы иммунных реакций — закономерности, которые трудно обнаружить во многих разрозненных наборах данных, которыми изобилует иммунология. Такой подход может оказать потенциальное влияние на разработку вакцин и иммунологию в целом. Например, исследователи могли бы разработать более эффективные вакцины, выяснив, как именно человеческие антитела воздействуют на вирусные белки. Здесь биология снова становится по-настоящему сложной. Проблема в том, что люди могут производить около одного квинтиллиона уникальных антител. Между тем, один вирусный белок может иметь больше вариаций, чем атомов во Вселенной.
Но время ученых ограничено, поэтому им нужны способы прогнозирования огромного объема данных, которые не могут быть собраны в реальных условиях. Эйнав и Ма уже показали, что их новый вычислительный метод сравнения больших наборов данных может выявить множество новых правил иммунологии, и эти правила затем могут быть применены к другим наборам данных, позволяя предсказывать, как должны выглядеть недостающие данные. Новый метод также достаточно точен, чтобы дать ученым уверенность в своих предсказаниях.
«Эти прогнозы немного похожи на алгоритм Netflix, который предсказывает, какие фильмы вы захотите посмотреть», — говорит Эйнав.
Алгоритм Netflix ищет закономерности в фильмах, которые вы смотрели в прошлом. Чем больше фильмов (или данных) вы добавите в эти инструменты прогнозирования, тем точнее будут эти прогнозы.
«Мы никогда не сможем собрать все данные, но мы можем многое сделать с помощью всего лишь нескольких измерений», — говорит Эйнав. «И мы не только оцениваем достоверность предсказаний, но и можем сказать, какие дальнейшие эксперименты максимально повысят эту уверенность. Для меня истинной победой всегда было глубокое понимание биологической системы, и данная концепция направлена именно на это».
