یک مطالعه جدید نشان میدهد که میتوان از یادگیری ماشینی و آمار برای پرداختن به مشکلی استفاده کرد که مدتها مانع حوزه متابولومیک شده است: تغییرات زیادی در دادههای جمعآوریشده در سایتهای مختلف.
دانیل رافتری، استاد بیهوشی و طب درد در دانشکده پزشکی دانشگاه واشنگتن در سیاتل گفت: ما همیشه منشأ این تنوع را نمی دانیم. “می تواند به این دلیل باشد که افراد با ژنتیک، رژیم غذایی و قرار گرفتن در معرض محیطی متفاوت هستند. یا می تواند نحوه جمع آوری و پردازش نمونه ها باشد.”
رافتری و همکارانش میخواستند ببینند یادگیری ماشین – نوعی هوش مصنوعی که از الگوریتمهای کامپیوتری برای پردازش حجم زیادی از دادههای تاریخی و شناسایی الگوهای داده استفاده میکند – میتواند این تنوع بین دادههای سایتهای مختلف را بدون پنهان کردن تفاوتهای مهم کاهش دهد.
رافتری گفت: «ما میخواستیم این مجموعه دادههای ناهماهنگ را کنار هم بیاوریم تا یافتههای مطالعات مختلف برای تجزیه و تحلیل بیشتر مقایسه یا ترکیب شوند.
او این پروژه را با دابائو ژانگ و مین ژانگ، که قبلاً در دانشگاه پردو و اکنون استادان اپیدمیولوژی و آمار زیستی در دانشگاه کالیفرنیا، بهداشت عمومی ایروین بودند، رهبری کرد. دنی لیو، دکتری. دانشجوی دانشگاه پوردو، نویسنده اصلی مقاله بود که در این مقاله آمده است مجموعه مقالات آکادمی ملی علوم.
رافتری محققی در مرکز میتوکندری و متابولیسم UW، مستقر در UW Medicine South Lake Union در سیاتل است.
اصطلاح متابولومیک به متابولیسم مربوط می شود، کلمه ای که واکنش های شیمیایی را که سلول های ما برای حفظ زندگی انجام می دهند، توصیف می کند. اینها شامل واکنش هایی است که مواد غذایی را برای برداشت انرژی و به دست آوردن مواد خام مورد نیاز سلول ها برای رشد و ترمیم، واکنش هایی که شامل مونتاژ اجزای سلولی مورد نیاز برای زندگی است، و واکنش هایی که در جداسازی اجزای آسیب دیده یا غیر ضروری به منظور بازیافت آنها انجام می شود، شامل می شود. ، دور انداخته یا به عنوان سوخت استفاده می شود.
مواد شیمیایی کوچک تولید شده توسط این فرآیندهای متابولیک متابولیت نامیده می شوند. سطوح متابولیت نشان می دهد که چه واکنش های شیمیایی در یک سلول، بافت، اندام یا ارگانیسم در یک لحظه خاص انجام می شود و چگونه این واکنش ها ممکن است در طول زمان تغییر کنند.
متابولومیک مطالعه متابولیت ها و فرآیندهای تولید آنهاست.
این اطلاعات به دانشمندان علوم پزشکی کمک میکند تا نه تنها چگونگی عملکرد طبیعی سلولها را بهتر درک کنند، بلکه متوجه شوند که وقتی افراد بیمار میشوند چه مشکلی ممکن است پیش بیاید. رافتری گفت که این دانش می تواند به راه های جدیدی برای تشخیص، پیشگیری و درمان بیماری منجر شود.
در مطالعه جدید، محققان مدل های یادگیری ماشینی را برای شناسایی عواملی که باعث ایجاد تفاوت بین مجموعه داده ها می شوند، ساختند. مدلها تفاوتهای دموگرافیک در جمعیتهای مورد مطالعه، مانند سن و جنس را در نظر گرفتند و از اطلاعات موجود در سایر متابولیتها برای توضیح تفاوتهای مشاهدهشده استفاده کردند.
محققان دریافتند که رویکرد آنها بیش از 95 درصد تغییرات بین مجموعههای داده را کاهش میدهد بدون اینکه تفاوتهای معنیداری را پنهان کند، مانند مواردی که به طور طبیعی بین مردان و زنان رخ میدهد.
Raftery گفت: “ما نشان دادهایم که رویکرد ما پتانسیل کاهش واریانس ناخواسته مشاهده شده در دادههای متابولومیک را دارد و در عین حال سیگنالهای متابولومیک مورد علاقه را حفظ میکند.”
این گروه قصد دارد مطالعات خود را با هدف ارائه درک عمیق تر از متابولیسم طبیعی و شناسایی نشانگرهای زیستی متابولیسم غیر طبیعی که می تواند نشانه ای از بیماری باشد، گسترش دهد.
اطلاعات بیشتر:
دنی لیو و همکاران، مدلسازی سطوح هموستاتیک متابولیت خون، ناهمگنی نمونه را در گروهها کاهش میدهد. مجموعه مقالات آکادمی ملی علوم (2024). DOI: 10.1073/pnas.2307430121. doi.org/10.1073/pnas.2307430121
ارائه شده توسط دانشکده پزشکی دانشگاه واشنگتن
نقل قول: یادگیری ماشینی نوید تسریع تحقیقات متابولیسم را می دهد (2024، 12 فوریه) بازیابی شده در 12 فوریه 2024 از https://medicalxpress.com/news/2024-02-machine-metabolism.html
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.