Die Mayo -Klinik entwickelt das KI -Tool zur Visualisierung komplexer biologischer Daten

Die Forscher der Mayo-Klinik haben ein Tool für künstliche Intelligenz (KI) mit dem Namen Omicsfootprint geleistet, mit dem große Mengen komplexer biologischer Daten in zweidimensionale kreisförmige Bilder umgewandelt werden können. Die Details des Tools werden in einer Studie in veröffentlicht Nukleinsäurenforschung.

Omics ist die Untersuchung von Genen, Proteinen und anderen molekularen Daten, um aufzudecken, wie sich der Körper funktioniert und wie sich Krankheiten entwickeln. Durch die Zuordnung dieser Daten kann der Omicsfootprint Klinikern und Forschern eine neue Möglichkeit zur Visualisierung von Mustern bei Krankheiten wie Krebs und neurologischen Störungen bieten, die dazu beitragen können, personalisierte Therapien zu leiten. Es kann auch eine intuitive Möglichkeit sein, Krankheitsmechanismen und -wechselwirkungen zu untersuchen.

Die Daten werden am stärksten, wenn Sie die Geschichte sehen können, die sie erzählt. Der Omicsfootprint könnte Türen für Entdeckungen öffnen, die wir zuvor noch nicht erreichen konnten. “

Krishna Rani Kalari, Ph.D., Hauptautor, Autor, Assoziierter Professor für biomedizinische Informatik im Mayo Clinic Center for Individualized Medicine

Gene fungieren als Bedienungsanleitung des Körpers, während Proteine ​​diese Anweisungen ausführen, um die Zellen funktionieren zu lassen. Manchmal können Änderungen in diesen Anweisungen – als Mutationen bezeichnete – diesen Prozess stören und zu Krankheiten führen. Der Omicsfootprint macht diese Komplexität, indem sie Daten – wie Genaktivität, Mutationen und Proteinspiegel – in farbenfrohe, kreisförmige Karten verwandeln, die ein klareres Bild von dem bieten, was im Körper passiert.

In ihrer Studie verwendeten die Forscher den Omicsfootprint, um die Daten der Arzneimittelreaktion und der Krebs-Multi-AMICS-Daten zu analysieren. Das Werkzeug unterschieden zwischen zwei Arten von Brustkrebs – lobulärer und duktaler Karzinome – mit einer durchschnittlichen Genauigkeit von 87%. Bei der Anwendung auf Lungenkrebs zeigte es über 95% Genauigkeit bei der Identifizierung von zwei Arten: Adenokarzinom und Plattenepithelkarzinom.

Die Studie zeigte, dass die Kombination verschiedener Arten von molekularen Daten genauere Ergebnisse liefert als nur eine Art von Daten.

Der Omicsfootprint zeigt auch potenziell bei der Bereitstellung sinnvoller Ergebnisse, selbst mit begrenzten Datensätzen. Es verwendet erweiterte KI -Methoden, die aus vorhandenen Daten lernen und dieses Wissen auf neue Szenarien anwenden – einen Prozess, der als Transferlernen bekannt ist. In einem Beispiel half es Forschern, über 95% Genauigkeit bei der Identifizierung von Lungenkrebs -Subtypen zu erreichen, die weniger als 20% des typischen Datenvolumens verwenden.

„Dieser Ansatz könnte für die Forschung auch bei geringen Stichprobengröße oder klinischen Studien von Vorteil sein“, sagt Dr. Kalari.

Um seine Genauigkeit und Erkenntnisse zu verbessern, verwendet das Omicsfootprint -Framework auch eine erweiterte Methode namens Shap (Shapley Additive Erklärungen). Shap beleuchtet die wichtigsten Marker, Gene oder Proteine, die die Ergebnisse beeinflussen, um den Forschern zu helfen, die Faktoren zu verstehen, die Krankheitsmuster fördern.

Abgesehen von der Forschung ist der Omicsfootprint für den klinischen Einsatz ausgelegt. Es komprimiert große biologische Datensätze in kompakte Bilder, die nur 2% des ursprünglichen Speicherplatzes benötigen. Dies könnte die Bilder leicht in elektronische medizinische Aufzeichnungen machen, um die Patientenversorgung in Zukunft zu leiten.

Das Forschungsteam plant, den Omicsfootprint zu erweitern, um andere Krankheiten zu untersuchen, einschließlich neurologischer Krankheiten und anderer komplexer Störungen. Sie arbeiten auch an Aktualisierungen, um das Tool noch genauer und flexibler zu gestalten, einschließlich der Fähigkeit, neue Krankheitsmarker und Arzneimittelziele zu finden.

Quellen: