Zmienianie medycyny spersonalizowanej w rzeczywistość
Często zdarza się, że pacjenci cierpiący na tę samą chorobę reagują inaczej na określone leczenie. Przypisuje się to różnicom genetycznym między poszczególnymi osobami, ponieważ to właśnie ekspresja genów określa przemianę leków w ciele. W celu zminimalizowania działań niepożądanych lub braku reakcji na leczenie naukowcy muszą zidentyfikować geny mające wpływ na wynik terapii. W ostatnich latach poczyniono olbrzymie postępy w zakresie uzyskiwania informacji molekularnych i genetycznych dotyczących indywidualnych pacjentów, a nawet sekwencjonowania genomu pacjenta. Jednak przy świadczeniu spersonalizowanych usług medycznych te informacje pozostają w większości niewykorzystane. Aby rozwiązać ten problem, w ramach projektu MLPM2012(odnośnik otworzy się w nowym oknie) finansowanego ze środków UE zbadano kwestie związane z uczeniem maszynowych, które polega na wykorzystaniu narzędzi obliczeniowych do wykrywania wzorców, reguł i zależności statystycznych w dużych zbiorach danych. Celem było utworzenie algorytmów do analizowania ludzkiego DNA i wyszukiwania wzorców związanych z określoną reakcją na leki. W projekcie MLPM2012 wzięły udział instytucje akademickie z siedmiu różnych krajów na całym świecie, które razem z wiodącymi partnerami przemysłowymi zorganizowały szkolenia dla nowego pokolenia naukowców z powiązanych z projektem dziedzin naukowych, takich jak uczenie maszynowe i genetyka. Z naukowego punktu widzenia celem było opracowanie technik uczenia maszynowego służących do wykrywania właściwości molekularnych pacjentów, które można wykorzystać do diagnozowania, prognozowania i teranostyki. Naukowcy zaprojektowali dodatkowe techniki do badania biologicznych przyczyn i mechanizmów chorób, jak również przewidywania klinicznych fenotypów na podstawie interakcji między czynnikami genetycznymi, epigenetycznymi i środowiskowymi. Nowe metody uczenia maszynowego w zakresie wykrywania biomarkerów uwzględniały dużą ilość danych omicznych, problemy obliczeniowe oraz różne skale pomiarów poszczególnych próbek. Przy użyciu tych technik naukowcy zbadali rolę szlaków sygnałowych różnych typów raka i zidentyfikowali mechanizmy molekularne wyjaśniające działanie przeciwnowotworowe związku silvestrol. Podsumowując, działania inicjatywy MLPM2012 stanowią podstawę do wykorzystania heterogenicznych danych pacjentów do niezawodnego wykrywania biomarkerów w celu diagnozowania chorób, prognozowania oraz przewidywania wyników leczenia.
