Nakabuo ang mga mananaliksik mula sa Mayo Clinic ng isang artificial intelligence (AI) tool na tinatawag na OmicsFootPrint, na nagko-convert ng malawak at masalimuot na datos na biyolohikal sa dalawang-dimensional na bilog na imahe. Ang mga detalye ng tool na ito ay inilathala sa isang pag-aaral sa Nucleic Acids Research.
Ang Omics ay isang larangan ng pag-aaral tungkol sa mga gene, protina, at iba pang molekular na datos upang maunawaan kung paano gumagana ang katawan at paano nabubuo ang mga sakit. Sa pamamagitan ng pagma-map ng datos na ito, maaaring magbigay ang OmicsFootPrint ng bagong paraan upang makita ang mga pattern ng sakit—gaya ng cancer at mga sakit sa neurological—na maaaring makatulong sa pagbibigay ng mas angkop na paggamot. Bukod dito, nagbibigay rin ito ng mas madaling paraan upang suriin ang mga mekanismo at interaksyon ng sakit.
"Nagiging makapangyarihan ang datos kapag naipapakita ang kwento nito. Ang OmicsFootPrint ay maaaring magbukas ng mga bagong tuklas na hindi natin dating nakikita."
— Krishna Rani Kalari, Ph.D., pangunahing may-akda at propesor ng biomedical informatics sa Mayo Clinic's Center for Individualized Medicine
Ang mga gene ay nagsisilbing manwal ng instruksyon ng katawan, habang ang mga protina ang gumaganap sa mga utos na ito upang mapanatiling maayos ang paggana ng mga selula. Subalit, may mga pagkakataong nagkakaroon ng pagbabago sa mga instruksyon na ito—tinatawag na mutations—na maaaring makaapekto sa prosesong ito at humantong sa sakit. Tinutulungan ng OmicsFootPrint na gawing mas malinaw ang mga kumplikadong datos sa pamamagitan ng pag-convert ng gene activity, mutations, at antas ng protina sa makukulay at pabilog na mapa na nagpapakita ng nangyayari sa katawan.
Sa kanilang pag-aaral, ginamit ng mga mananaliksik ang OmicsFootPrint upang suriin ang epekto ng gamot at multi-omics data sa cancer. Napag-alaman ng tool na ito ang pagkakaiba ng dalawang uri ng breast cancer—lobular at ductal carcinomas—na may 87% na katumpakan. Samantala, nang ginamit ito sa lung cancer, nagpakita ito ng higit sa 95% na katumpakan sa pagtukoy ng dalawang uri: adenocarcinoma at squamous cell carcinoma.
Ipinakita ng pag-aaral na ang pagsasama ng iba’t ibang uri ng molekular na datos ay nagbubunga ng mas eksaktong resulta kumpara sa paggamit ng isang uri lamang.
Ipinakita rin ng OmicsFootPrint ang kakayahan nitong makapagbigay ng mahalagang impormasyon kahit sa limitadong dataset. Gumagamit ito ng advanced AI techniques na natututo mula sa kasalukuyang datos at inilalapat ito sa mga bagong sitwasyon—isang proseso na tinatawag na transfer learning. Sa isang eksperimento, nakamit nito ang higit sa 95% na katumpakan sa pagtukoy ng subtypes ng lung cancer gamit ang mas mababa sa 20% ng tipikal na dami ng datos.
"Ang ganitong pamamaraan ay maaaring maging kapaki-pakinabang sa mga pananaliksik kahit na may maliit na sample size o sa mga klinikal na pag-aaral."
— Dr. Kalari
Upang mapabuti pa ang katumpakan at lalim ng pagsusuri, gumagamit din ang OmicsFootPrint ng isang advanced na pamamaraan na tinatawag na SHAP (SHapley Additive exPlanations). Ang SHAP ay tumutulong upang matukoy ang pinakamahahalagang marker, gene, o protina na may pangunahing papel sa mga resulta, na nakakatulong sa mas mahusay na pag-unawa sa mga salik na nagdudulot ng sakit.
Bukod sa pananaliksik, idinisenyo rin ang OmicsFootPrint para sa klinikal na paggamit. Isinasalin nito ang malalaking datos na biyolohikal sa mas maliit na imahe na nangangailangan lamang ng 2% ng orihinal na laki ng storage, na maaaring gawing mas madali ang pagsasama nito sa electronic medical records para sa mas epektibong pangangalaga sa pasyente sa hinaharap.
Plano ng pangkat ng pananaliksik na palawakin pa ang OmicsFootPrint upang pag-aralan ang iba pang sakit, kabilang ang mga neurological diseases at iba pang masalimuot na disorder. Kasalukuyan rin silang gumagawa ng mga pag-update upang gawing mas eksakto at mas flexible ang tool na ito, kabilang ang kakayahang makahanap ng bagong disease markers at drug targets.
0 Mga Komento