یک طرح جدید و موثر در مهندسی کردن یک سلول در حالت جدید
با تمرکز بر روابط علّی در تنظیم ژنوم، یک روش جدید هوش مصنوعی می‌تواند به دانشمندان در شناسایی تکنیک‌های جدید ایمونوتراپی یا درمان‌های ترمیمی کمک کند.
یک استراتژی برای برنامه‌ریزی مجدد سلولی شامل استفاده از مداخلات ژنتیکی هدفمند برای مهندسی کردن یک سلول به حالت جدید است. برای مثال، این روش در ایمونوتراپی نویدبخش است، به عنوان مثال، جایی که محققان می‌توانند سلول‌های T بیمار را دوباره برنامه‌ریزی کنند تا قاتل‌های سرطان قوی‌تری باشند. روزی، این رویکرد همچنین می‌تواند به شناسایی درمان‌های نجات‌دهنده سرطان یا درمان‌های ترمیمی که اندام‌های آسیب‌دیده از بیماری را ترمیم می‌کنند، کمک کند.
اما بدن انسان حدود 20000 ژن دارد و یک اختلال ژنتیکی می‌تواند روی ترکیبی از ژن‌ها یا هر یک از بیش از 1000 فاکتور رونویسی که ژن‌ها را تنظیم می‌کنند باشد. از آنجایی که فضای جستجو گسترده است و آزمایش‌های ژنتیکی پرهزینه هستند، دانشمندان اغلب برای یافتن اغتشاش ایده‌آل برای کاربرد خاص خود در تلاش هستند.
محققان MIT و دانشگاه هاروارد یک رویکرد محاسباتی جدید را توسعه دادند که می تواند به طور موثر آشفتگی های ژنتیکی بهینه را بر اساس تعداد بسیار کمتری از آزمایش ها نسبت به روش های سنتی شناسایی کند.
تکنیک الگوریتمی آنها از رابطه علت و معلولی بین عوامل در یک سیستم پیچیده، مانند تنظیم ژنوم، برای اولویت‌بندی بهترین مداخله در هر دور آزمایش‌های متوالی استفاده می‌کند.
محققان یک تجزیه و تحلیل نظری دقیق انجام دادند تا مشخص کنند که تکنیک آنها در واقع مداخلات بهینه را شناسایی می کند. با وجود آن چارچوب نظری، آنها الگوریتم‌ها را بر داده‌های بیولوژیکی واقعی که برای تقلید از آزمایش برنامه‌ریزی مجدد سلولی طراحی شده‌اند، اعمال کردند. الگوریتم آنها کارآمدترین و موثرترین بود.
اغلب اوقات، آزمایش‌های مقیاس بزرگ به صورت تجربی طراحی می‌شوند. کارولین اوهلر، نویسنده ارشد این مقاله، استاد دپارتمان مهندسی برق و علوم کامپیوتر (EECS) که یکی از مدیران نیز می‌باشد، می‌گوید: یک چارچوب دقیق علّی برای آزمایش‌های متوالی ممکن است امکان شناسایی مداخلات بهینه با کارآزمایی‌های کمتر را فراهم کند و در نتیجه هزینه‌های آزمایشی را کاهش دهد. از مرکز اریک و وندی اشمیت در موسسه براد MIT و هاروارد، و محققی در آزمایشگاه MIT برای سیستم های اطلاعات و تصمیم گیری (LIDS) و موسسه داده ها، سیستم ها و جامعه (IDSS).
به Uhler در مقاله، که امروز در Nature Machine Intelligence ظاهر می‌شود، نویسنده اصلی Jiaqi Zhang، دانشجوی کارشناسی ارشد و عضو مرکز اریک و وندی اشمیت، می‌پیوندند. نویسنده ارشد Themistoklis P. Sapsis، استاد مهندسی مکانیک و اقیانوس در MIT و عضو IDSS. و دیگران در هاروارد و MIT.
یادگیری فعال
هنگامی که دانشمندان سعی می کنند یک مداخله موثر برای یک سیستم پیچیده طراحی کنند، مانند برنامه ریزی مجدد سلولی، آنها اغلب آزمایش ها را به صورت متوالی انجام می دهند. چنین تنظیماتی برای استفاده از رویکرد یادگیری ماشینی به نام یادگیری فعال مناسب هستند. نمونه‌های داده جمع‌آوری می‌شوند و برای یادگیری مدلی از سیستم استفاده می‌شوند که دانش جمع‌آوری‌شده تاکنون را در بر می‌گیرد. از این مدل، یک تابع اکتساب طراحی می شود – معادله ای که تمام مداخلات بالقوه را ارزیابی می کند و بهترین مورد را برای آزمایش در آزمایش بعدی انتخاب می کند.
این فرآیند تا زمانی که مداخله بهینه شناسایی شود (یا منابع مالی برای آزمایش‌های بعدی تمام شود) تکرار می‌شود.
ساپسیس توضیح می‌دهد: «در حالی که چندین تابع اکتساب عمومی برای طراحی متوالی آزمایش‌ها وجود دارد، اینها برای مشکلاتی با چنین پیچیدگی مؤثر نیستند و منجر به هم‌گرایی بسیار کند می‌شوند».
توابع اکتساب معمولاً همبستگی بین عوامل را در نظر می‌گیرند، مانند اینکه کدام ژن‌ها با هم بیان می‌شوند. اما تمرکز فقط بر همبستگی، روابط تنظیمی یا ساختار علی سیستم را نادیده می گیرد. برای مثال، یک مداخله ژنتیکی تنها می‌تواند بر بیان ژن‌های پایین‌دست تأثیر بگذارد، اما یک رویکرد مبتنی بر همبستگی نمی‌تواند بین ژن‌هایی که بالادست یا پایین‌دست هستند تمایز قائل شود.
ژانگ توضیح می‌دهد: «می‌توانید بخشی از این دانش علی را از داده‌ها یاد بگیرید و از آن برای طراحی مؤثرتر مداخله استفاده کنید.
محققان MIT و هاروارد از این ساختار علّی اساسی برای