محققان MIT یک چارچوب نظری جدید برای بررسی مکانیسم های تعامل درمانی ایجاد کردند. رویکرد آنها به دانشمندان این امکان را می دهد تا به طور مؤثر پیش بینی کنند که چگونه ترکیبات درمانی بر گروهی از واحدها مانند سلول تأثیر می گذارد و به یک محقق اجازه می دهد ضمن جمع آوری داده های دقیق تر ، هزینه کمتری را انجام دهد.
به عنوان مثال ، برای بررسی چگونگی تأثیر یکدیگر بر رشد سلولهای سرطانی ، یک زیست شناس ممکن است نیاز به استفاده از یک ترکیب درمانی برای هدف قرار دادن ژن چندگانه در همان زمان داشته باشد. با این حال ، از آنجا که ممکن است میلیاردها ترکیب بالقوه برای هر دور از آزمایش وجود داشته باشد ، انتخاب زیرنویس ترکیبی برای آزمایش تعصبات داده های ناشی از آزمایشات.
در مقابل ، قاب جدید سناریویی را در نظر می گیرد که کاربر می تواند یک آزمایش خنثی را به موازات تمام درمان ها طراحی کند و می تواند با تنظیم سرعت هر درمان ، نتیجه را کنترل کند.
محققان MIT از لحاظ نظری یک استراتژی بهینه را در این چارچوب اثبات کردند و یک سری شبیه سازی را برای آزمایش در یک آزمایش چند منظوره انجام دادند. روشها در هر مثال میزان خطا را به حداقل می رساند.
این روش می تواند به دانشمندان کمک کند تا مکانیسم های بیماری را بهتر بشناسند و داروهای جدیدی را برای درمان سرطان یا اختلالات ژنتیکی ایجاد کنند.
وی گفت: “ما مفهومی را معرفی کرده ایم که افراد می توانند بیشتر فکر کنند زیرا می توانند بیشتر فکر کنند زیرا آنها مناسب ترین روش برای انتخاب درمان های ترکیبی در هر دور از یک آزمایش را بررسی می کنند ، یک روز ، امید ما می تواند برای حل سوالات مربوط به یک بیولوژیکی استفاده شود. کاغذ این در چارچوب طراحی آزمایشی است.
رهبر مشترک ، یک دانشجوی کارشناسی ارشد MIT ، در مقاله Divya Shyamal شرکت کرد. و در عین حال ، EEC و EEC ، مدیر اریک و وندی اشمیت مرکز ، و EEC ها ، و EEC ها ، استاد مهندسی اندرو و Erna Verbi مهندسی و داده های MIT ، سیستم ها و موسسه جامعه (IDSS) و اطلاعات و سیستم های MIT (LIDS). این تحقیق اخیراً در کنفرانس بین المللی یادگیری ماشین آلات ارائه شده است.
درمان های همزمان
درمان ها ممکن است به روش های پیچیده با یکدیگر ارتباط برقرار کنند. به عنوان مثال ، دانشمندی که سعی می کند تعیین کند که آیا یک ژن خاص به یک علامت بیماری خاص کمک می کند ممکن است نیاز به هدف قرار دادن چندین ژن در همان زمان برای بررسی اثرات داشته باشد.
برای انجام این کار ، دانشمندان از آنچه به عنوان آشفتگی های ترکیبی شناخته می شود ، استفاده می کنند که همزمان با درمان چندگانه در همان گروه سلولی استفاده می کنند.
ژانگ ژانگ ، ژانگ را توضیح می دهد ، که در مورد چگونگی تعامل ژن های مختلف ، شبکه ای با سطح بالایی به شما می دهد ، که به شما درک می کند که چگونه یک سلول کار می کند.
از آنجا که آزمایش های ژنتیکی پرهزینه و وقت گیر است ، دانشمند قصد دارد بهترین ترکیب های درمانی را برای آزمایش انتخاب کند که این یک چالش شدید به دلیل بسیاری از امکانات است.
انتخاب زیر مجموعه زیر حد متوسط فقط می تواند با تمرکز روی ترکیبات قبلاً انتخاب شده کاربر ، نتایج پیش داوری ایجاد کند.
محققان MIT با نگاه کردن به یک چارچوب احتمالی ، به این مشکل متفاوت نزدیک شدند. به جای تمرکز روی یک زیر مجموعه انتخاب شده ، هر واحد به طور تصادفی ترکیبات درمانی را بر اساس میزان دوز مشخص شده توسط کاربر برای هر درمان رندر می کند.
کاربر سطح دوز را با توجه به هدف آزمایشات خود تعیین می کند – شاید این دانشمند می خواهد اثرات چهار داروی مختلف را بر رشد سلول بررسی کند. رویکرد احتمال داده های تعصب کمتری ایجاد می کند زیرا این آزمایش را به یک زیر مجموعه درمانی از پیش تعیین شده محدود نمی کند.
سطح دوز مانند احتمال است و هر سلول ترکیبی از درمان تصادفی را دریافت می کند. اگر کاربر دوز بالایی تعیین کند ، بیشتر سلول ها به احتمال زیاد این روش درمانی را دریافت می کنند. اگر دوز کم باشد ، یک زیر مجموعه سلول کوچکتر این درمان را انجام می دهد.
Shyamal گفت: “از آنجا ، چگونه می توانیم دوزها را طراحی کنیم تا بتوانیم نتایج را تا حد ممکن دقیق پیش بینی کنیم؟ این جایی است که تئوری ما می آید.
چارچوب های نظری بهترین راه برای طراحی این دوزها را نشان می دهد ، به طوری که آنها می توانند بیشترین یادگیری را در مورد ویژگی یا ویژگی ای که کار می کنند بیاموزند.
پس از هر دور از آزمایش ، کاربر نتایج را جمع می کند و آنها را به چارچوب آزمایشی باز می گرداند. استراتژی دوز ایده آل و موارد مشابه برای دور بعدی به طور فعال استراتژی را در دورهای مختلف تطبیق می دهد.
بهینه سازی دوزها ، به حداقل رساندن خطا
محققان ثابت کرده اند که رویکردهای نظری آنها باعث ایجاد دوز بهینه می شود حتی اگر سطح دوز تحت تأثیر یک روش درمانی محدود یا سر و صدای در پیامدهای آزمایشی قرار بگیرد.
در شبیه سازی ، این رویکرد جدید در مقایسه پیامدهای تخمین زده شده و واقعی آزمایش های چند منظوره کمترین میزان خطا را داشت و بهتر از دو روش اساسی انجام می داد.
در آینده ، محققان می خواهند چارچوب های تجربی خود را بهبود بخشند تا مداخله بین واحدها و این واقعیت را در نظر بگیرند که برخی از درمان ها می توانند منجر به تعصب انتخابات شوند. آنها همچنین می خواهند این تکنیک را در یک محیط آزمایشی واقعی به کار گیرند.
وی گفت: “این یک رویکرد جدید برای یک مشکل بسیار جالب است که حل آن دشوار است.
این تحقیق تا حدودی توسط MIT ، اپل ، مؤسسات ملی بهداشت ، دفتر تحقیقات دریایی ، وزارت انرژی ، موسسه گسترده ، اریک و وندی اشمیت مرکز و جایزه محقق سیمونز تأمین می شود.