16:44 2023-10-02 science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu

_ Un proiect experimental mai eficient pentru proiectarea unei celule într-o stare nouă

_ Un experiment mai eficient proiectare pentru proiectarea unei celule într-o stare nouă

O strategie pentru reprogramarea celulară implică utilizarea intervențiilor genetice direcționate pentru a transforma o celulă într-o stare nouă. Tehnica este foarte promițătoare în imunoterapie, de exemplu, unde cercetătorii ar putea reprograma celulele T ale unui pacient, astfel încât acestea să fie mai puternice ucigașe de cancer. Într-o bună zi, abordarea ar putea ajuta, de asemenea, la identificarea tratamentelor pentru cancer care salvează vieți sau a terapiilor regenerative care repară organele devastate de boli.

Dar corpul uman are aproximativ 20.000 de gene și o perturbare genetică. ar putea fi pe o combinație de gene sau pe oricare dintre cei peste 1.000 de factori de transcripție care reglează genele. Deoarece spațiul de căutare este vast și experimentele genetice sunt costisitoare, oamenii de știință se luptă adesea să găsească perturbația ideală pentru aplicația lor particulară.

Cercetătorii de la MIT și de la Universitatea Harvard au dezvoltat o nouă abordare computațională care poate identifica eficient genetica optimă. perturbații bazate pe un număr mult mai mic de experimente decât metodele tradiționale.

Tehnica lor algoritmică valorifică relația cauză-efect dintre factorii dintr-un sistem complex, cum ar fi reglarea genomului, pentru a prioritiza cea mai bună intervenție în fiecare rundă de experimente secvențiale.

Cercetătorii au efectuat o analiză teoretică riguroasă pentru a determina că tehnica lor a identificat, într-adevăr, intervențiile optime. Cu acel cadru teoretic în vigoare, ei au aplicat algoritmii datelor biologice reale concepute pentru a imita un experiment de reprogramare celulară. Algoritmii lor au fost cei mai eficienți și eficienți.

„Prea des, experimentele la scară largă sunt proiectate empiric. Un cadru cauzal atent pentru experimentarea secvenţială poate permite identificarea intervenţiilor optime cu mai puţine încercări, reducând astfel costurile experimentale.” spune co-autorul principal Caroline Uhler, profesor la Departamentul de Inginerie Electrică și Știința Calculatoarelor (EECS), care este, de asemenea, co-director al Centrului Eric și Wendy Schmidt de la Broad Institute of MIT și Harvard, și cercetător la Laboratorul MIT. pentru Sisteme de Informare și Decizie (LIDS) și Institutul pentru Date, Sisteme și Societate (IDSS).

Alăturarea lui Uhler în lucrarea, care apare astăzi în Nature Machine Intelligence, sunt autorul principal Jiaqi Zhang, un student absolvent și Eric și Wendy Schmidt Center Fellow; co-autor principal Themistoklis P. Sapsis, profesor de inginerie mecanică și oceanică la MIT și membru al IDSS; și alții de la Harvard și MIT.

Atunci când oamenii de știință încearcă să proiecteze o intervenție eficientă pentru un sistem complex, cum ar fi în reprogramarea celulară, ei efectuează adesea experimente secvenţial. Astfel de setări sunt potrivite în mod ideal pentru utilizarea unei abordări de învățare automată numită învățare activă. Eșantioane de date sunt colectate și utilizate pentru a învăța un model al sistemului care încorporează cunoștințele adunate până acum. Din acest model, este proiectată o funcție de achiziție — o ecuație care evaluează toate intervențiile potențiale și o alege pe cea mai bună pentru a fi testată în următorul proces.

Acest proces se repetă până când este identificată o intervenție optimă (sau resurse pentru finanțează experimentele ulterioare.

„Deși există mai multe funcții de achiziție generice pentru a proiecta succesiv experimente, acestea nu sunt eficiente pentru probleme de o asemenea complexitate, ceea ce duce la o convergență foarte lentă”, explică Sapsis.

Funcțiile de achiziție iau în considerare de obicei corelația dintre factori, cum ar fi genele care sunt co-exprimate. Dar concentrarea doar pe corelare ignoră relațiile de reglementare sau structura cauzală a sistemului. De exemplu, o intervenție genetică poate afecta doar expresia genelor din aval, dar o abordare bazată pe corelație nu ar putea face distincția între genele care sunt în amonte sau în aval.

„Puteți învăța o parte din aceste cunoștințe cauzale din date și să le utilizați pentru a proiecta o intervenție mai eficient”, explică Zhang.

Cercetătorii de la MIT și de la Harvard au folosit această structură cauzală subiacentă. pentru tehnica lor. În primul rând, au construit cu atenție un algoritm, astfel încât să poată învăța doar modele ale sistemului care țin cont de relațiile cauzale.

Apoi, cercetătorii au proiectat funcția de achiziție, astfel încât să evalueze automat intervențiile folosind informații despre aceste relații cauzale. Ei au creat această funcție astfel încât să acorde prioritate celor mai informative intervenții, adică cele mai probabil să conducă la intervenția optimă în experimentele ulterioare.

„Prin luarea în considerare a modelelor cauzale în loc de modele bazate pe corelații, putem deja exclude. anumite intervenții. Apoi, ori de câte ori obțineți date noi, puteți afla un model cauzal mai precis și, prin urmare, puteți micșora și mai mult spațiul intervențiilor", explică Uhler.

Acest spațiu de căutare mai mic, cuplat cu funcția specială de achiziție. concentrarea pe cele mai informative intervenții, este ceea ce face abordarea lor atât de eficientă.

Cercetătorii și-au îmbunătățit și mai mult funcția de achiziție folosind o tehnică cunoscută sub numele de ponderare a ieșirii, inspirată de studiul evenimentelor extreme în sisteme complexe. Această metodă subliniază cu atenție intervențiile care sunt susceptibile de a fi mai aproape de intervenția optimă.

„În esență, vedem o intervenție optimă ca un „eveniment extrem” în spațiul tuturor intervențiilor posibile, suboptimale și folosim unele dintre ideile pe care le-am dezvoltat pentru aceste probleme”, spune Sapsis.

Ei și-au testat algoritmii folosind date biologice reale într-un experiment simulat de reprogramare celulară. Pentru acest test, ei au căutat o perturbare genetică care ar avea ca rezultat o schimbare dorită în expresia medie a genelor. Funcțiile lor de achiziție au identificat în mod constant intervenții mai bune decât metodele de referință prin fiecare pas al experimentului în mai multe etape.

„Dacă ai întrerupe experimentul în orice etapă, a noastră ar fi totuși mai eficientă decât liniile de bază. Aceasta înseamnă ai putea să faci mai puține experimente și să obții rezultate identice sau mai bune”, spune Zhang.

Cercetătorii lucrează în prezent cu experienți pentru a-și aplica tehnica în vederea reprogramarii celulare în laborator.

Ei. abordarea ar putea fi aplicată și problemelor din afara genomicii, cum ar fi identificarea prețurilor optime pentru produsele de larg consum sau activarea controlului optim al feedback-ului în aplicațiile de mecanică a fluidelor.

În viitor, ei intenționează să-și îmbunătățească tehnica de optimizare dincolo de cele care caută să se potrivească cu un mijloc dorit. În plus, metoda lor presupune că oamenii de știință înțeleg deja relațiile cauzale din sistemul lor, dar lucrările viitoare ar putea explora, de asemenea, cum să folosești AI pentru a afla acele informații.

Această poveste este republicată prin amabilitatea MIT News ( web.mit.edu/newsoffice/), un site popular care acoperă știri despre cercetarea, inovarea și predarea MIT.

(Fluierul)

Inapoi