محققان ایمونولوژی یک ابزار محاسباتی را برای بهبود آمادگی بیماری همه گیر با امکان مقایسه داده های تجربی مختلف معرفی کرده اند. این الگوریتم از یادگیری ماشین برای یافتن الگوها در مجموعه داده ها استفاده می کند و درک پاسخ های ایمنی را بهبود می بخشد. این نوید دهنده پیشرفت های قابل توجهی در طراحی واکسن و تحقیقات ایمنی شناسی، با پتانسیل گسترده در زمینه های مختلف بیولوژیکی است.
استفاده از زیست شناسان محاسباتی فراگیری ماشین برای درک اطلاعات سیستم ایمنی
محققان سیستم ایمنی یک ابزار محاسباتی برای افزایش آمادگی بیماری همه گیر طراحی کرده اند. دانشمندان می‌توانند از این الگوریتم جدید برای مقایسه داده‌های بسیاری از آزمایش‌های مختلف و پیش‌بینی بهتر واکنش افراد به این بیماری استفاده کنند.
تال ایناو، دکتری، می‌گوید: «ما در تلاشیم تا بفهمیم مردم چگونه با ویروس‌های مختلف مبارزه می‌کنند، اما زیبایی روش ما این است که می‌توانید آن را به طور کلی در سایر تنظیمات بیولوژیکی مانند مقایسه داروهای مختلف یا رده‌های مختلف سلول سرطانی به کار ببرید.» D.، استادیار موسسه ایمونولوژی لا جولا (LJI) و یکی از رهبران مطالعه جدید در گزارش های سلولی مواد و روش ها.
این کار به یک چالش بزرگ در تحقیقات پزشکی می پردازد. آزمایشگاه‌هایی که بیماری‌های عفونی را مطالعه می‌کنند – حتی آزمایشگاه‌هایی که روی ویروس‌های مشابه تمرکز دارند – انواع مختلفی از داده‌ها را جمع‌آوری می‌کنند. Einav می گوید: “هر مجموعه داده به جزیره مستقل خود تبدیل می شود.”
برخی از محققان ممکن است مدل های حیوانی را مطالعه کنند، برخی دیگر ممکن است بیماران انسانی را مطالعه کنند. برخی از آزمایشگاه‌ها بر روی کودکان تمرکز می‌کنند، برخی دیگر نمونه‌هایی را از بزرگسالان دارای نقص ایمنی جمع‌آوری می‌کنند. مکان نیز مهم است. سلول‌های جمع‌آوری‌شده از بیماران در استرالیا ممکن است پاسخ متفاوتی به a نشان دهند یک ویروس در مقایسه با سلول‌های جمع‌آوری‌شده از گروهی از بیماران در آلمان تنها بر اساس مواجهه با ویروس‌های گذشته در این مناطق.
«در زیست شناسی سطح پیچیدگی بیشتری وجود دارد. ویروس ها همیشه در حال تکامل هستند و این نیز داده ها را تغییر می دهد.” و حتی اگر دو آزمایشگاه در یک سال به بیماران مشابهی نگاه کنند، ممکن است آزمایش‌های متفاوتی انجام داده باشند.»
La Jolla Institute for Immunology (LJI) استادیار Tal Einav، Ph.D. اعتبار: متیو النبوگن، موسسه ایمونولوژی لا جولا
یک روش محاسباتی یکپارچه
Einav با همکاری نزدیک با Rong Ma، Ph.D.، یک دانشجوی فوق دکتری در دانشگاه استنفورد، شروع به توسعه الگوریتمی برای کمک به مقایسه مجموعه داده های بزرگ کرد. الهام‌بخش او از پیشینه‌اش در فیزیک بود، رشته‌ای که در آن – صرف نظر از اینکه چقدر آزمایش نوآورانه باشد – دانشمندان می‌توانند مطمئن باشند که داده‌ها با قوانین شناخته شده فیزیک مطابقت دارند. E همیشه برابر mc2 خواهد بود.
Einav می گوید: «کاری که من به عنوان یک فیزیکدان دوست دارم انجام دهم این است که همه چیز را کنار هم بگذارم و اصول یکپارچه را کشف کنم.
روش محاسباتی جدید نیازی به دانستن اینکه هر مجموعه داده دقیقاً کجا یا چگونه به دست آمده است ندارد. در عوض، Einav و Ma از یادگیری ماشینی استفاده کردند تا مشخص کنند کدام مجموعه داده از الگوهای اساسی یکسانی پیروی می کند.
لازم نیست به من بگویید که برخی از داده ها از کودکان، بزرگسالان یا نوجوانان می آید. Einav می‌گوید: ما به سادگی از دستگاه می‌پرسیم که داده‌ها چقدر شبیه به یکدیگر هستند و سپس مجموعه داده‌های مشابه را در یک ابر مجموعه ترکیب می‌کنیم که الگوریتم‌های بهتری را آموزش می‌دهد. با گذشت زمان، این مقایسه‌ها می‌تواند اصول ثابتی را در پاسخ‌های ایمنی نشان دهد – الگوهایی که در بسیاری از مجموعه‌های داده‌های پراکنده که در ایمونولوژی فراوان هستند، تشخیص آنها دشوار است.
پیامدهای بالقوه برای طراحی واکسن و ایمونولوژی
به عنوان مثال، محققان می توانند با درک دقیق اینکه چگونه آنتی بادی های انسانی پروتئین های ویروسی را هدف قرار می دهند، واکسن های بهتری طراحی کنند. اینجاست که زیست شناسی دوباره واقعاً پیچیده می شود. مشکل این است که انسان می تواند حدود یک کوئینتیلیون آنتی بادی منحصر به فرد بسازد. در همین حال، یک پروتئین ویروسی می تواند تغییرات بیشتری نسبت به اتم های موجود در جهان داشته باشد.
Einav می‌گوید: «به همین دلیل است که مردم مجموعه‌های داده بزرگ‌تر و بزرگ‌تری را جمع‌آوری می‌کنند تا سعی کنند زمین بازی تقریباً بی‌نهایت زیست‌شناسی را کشف کنند.
اما دانشمندان زمان بی‌نهایتی ندارند، بنابراین به راه‌هایی برای پیش‌بینی آرایه‌های وسیع داده‌هایی نیاز دارند که نمی‌توانند به طور واقعی جمع‌آوری کنند. Einav و Ma قبلاً نشان داده‌اند که روش محاسباتی جدید آنها می‌تواند به دانشمندان در پر کردن این شکاف‌ها کمک کند. آنها نشان می‌دهند که روش مقایسه مجموعه‌های داده‌های بزرگ می‌تواند قوانین بی‌شماری جدید ایمنی‌شناسی را آشکار کند، و این قوانین را می‌توان برای سایر مجموعه‌های داده اعمال کرد تا پیش‌بینی کند که داده‌های از دست رفته چگونه باید باشند.
روش جدید همچنین به اندازه کافی دقیق است که به دانشمندان در پشت پیش‌بینی‌هایشان اطمینان می‌دهد. در آمار، “فاصله اطمینان” روشی برای تعیین کمیت یک دانشمند در پیش بینی است.
Einav می‌گوید: «این پیش‌بینی‌ها تا حدودی شبیه الگوریتم Netflix است که پیش‌بینی می‌کند کدام فیلم‌ها را می‌خواهید تماشا کنید. الگوریتم نتفلیکس به دنبال الگوهای فیلم هایی است که در گذشته انتخاب کرده اید. هرچه فیلم‌ها (یا داده‌های) بیشتری به این ابزارهای پیش‌بینی اضافه کنید، این پیش‌بینی‌ها دقیق‌تر خواهند بود.
Einav می‌گوید: «ما هرگز نمی‌توانیم همه داده‌ها را جمع‌آوری کنیم، اما تنها با چند اندازه‌گیری می‌توانیم کارهای زیادی انجام دهیم. ما نه تنها اعتماد به پیش‌بینی‌ها را ارزیابی می‌کنیم، بلکه می‌توانیم به شما بگوییم چه آزمایش‌های دیگری این اطمینان را به حداکثر می‌رساند.» برای من، پیروزی واقعی همیشه به دست آوردن درک عمیق از یک سیستم بیولوژیکی بوده است، و هدف این چارچوب این است.
جهت گیری ها و همکاری های آینده
Einav اخیراً پس از اتمام دوره فوق دکتری خود در آزمایشگاه دکتر جسی بلوم در مرکز سرطان فرد هاچ، به دانشکده LJI پیوست. همانطور که او به کار خود در LJI ادامه می دهد، قصد دارد روی استفاده از ابزارهای محاسباتی تمرکز کند تا درباره پاسخ ایمنی انسان به بسیاری از ویروس ها، از آنفولانزا، اطلاعات بیشتری کسب کند. او مشتاقانه منتظر همکاری با ایمونولوژیست ها و دانشمندان داده پیشرو در LJI، از جمله پروفسور بیورن پیترز، دکترا، همچنین یک فیزیکدان آموزش دیده است.
ایناو می‌گوید: «وقتی افرادی از این پس‌زمینه‌های مختلف می‌آیند، هم افزایی زیبایی به دست می‌آورید. با تیم مناسب، حل این مشکلات بزرگ و باز در نهایت امکان پذیر می شود.
مرجع: “استفاده از یادگیری ماشینی قابل تفسیر برای گسترش مجموعه داده های آنتی بادی-ویروس ناهمگن” توسط Tal Einav و Rong Ma، 25 ژوئیه 2023، روش های گزارش سلولی.
DOI: 10.1016/j.crmeth.2023.100540
