نماد سایت خبرگزاری سیناپرس

یادگیری ماشین در توسعه داروها


تولید دارو فرآیندی پرهزینه و در برخی موارد بی ثمر است. بسیاری از داروهایی که در ابتدا مورد بررسی قرار گرفتند، برای آزمایش بالینی آورده نمی شوند، و بسیاری از آنها پس از آن توسط FDA یا سایر هیئت های مشابه تأیید نشده اند.
به گزارش خبرگزاری سیناپرس، یادگیری ماشین نقش فعالی در مرتب‌سازی مقادیر عظیم داده‌های بیوشیمیایی انباشته‌شده از تکنیک‌های توالی‌یابی با توان بالا دارد. کشف دارو را کارآمدتر می کند.
یادگیری ماشین
یادگیری ماشین فرآیندی است که توسط آن یک کامپیوتر می تواند بدون برنامه ریزی یاد بگیرد. یادگیری ماشین برای اولین بار در سال 1959 ابداع شد و از آن زمان به یک واقعیت قابل دوام تبدیل شده است. کامپیوترها با الگوریتمی تغذیه می شوند که برای تجزیه و تحلیل و یادگیری از داده ها استفاده می کنند.
سپس کامپیوتر در مورد داده های مربوطه تصمیم یا پیش بینی می کند. از شبکه‌های عصبی استفاده می‌کند که الگوریتم‌هایی هستند که مشابه مغز انسان عمل می‌کنند، زیرا ورودی‌ها را پردازش می‌کنند و خروجی ارائه می‌کنند.
در هسته خود، یادگیری ماشین شامل ایجاد خطی با بهترین تناسب در ابعاد مختلف برای ارائه بهینه ترین راه حل است.
انواع مختلفی از یادگیری ماشین وجود دارد از جمله آنها یادگیری ماشین نظارت شده، یادگیری بدون نظارت و یادگیری تقویتی است.
یادگیری ماشین نظارت شده زمانی است که داده ها به رایانه داده می شود، اما این داده ها شامل پاسخ به مشکل برای هر مجموعه داده است. از این طریق، الگوریتم می‌تواند یاد بگیرد و پیش‌بینی‌های آینده را روی مجموعه داده‌های جدید انجام دهد.
یادگیری بدون نظارت شامل داده هایی می شود که خروجی ندارند و هیچ پاسخی برای داده هایی که در ابتدا به الگوریتم داده می شود، وجود نخواهد داشت، اما الگوریتم می تواند تصمیم بگیرد که کدام بخش از داده ها شبیه به یکدیگر هستند.
یادگیری تقویتی بیشتر حالت چرخه دارد. یک کنش در محیطی اتفاق می افتد که منجر به پاداش و بازنمایی حالت می شود که بازخورد آن عمل است.
روشهای بینش ماشین
پرتورباژن ها(اختلال گرها) ترکیبات مولکولی کوچک، RNA های مهارکننده یا سایر ترکیباتی هستند که فرآیندهای درون سلولی را مختل می کنند. روش‌های بینش ماشین را می‌توان برای تحلیل آن‌ها به کار برد، که در آن ویژگی‌های موجود در تصاویر را می‌توان توسط یک الگوریتم یادگیری ماشین محاسبه و تشخیص داد.
روش‌های عدم اختلاط الگو تلاش می‌کنند رویدادهای جابه‌جایی پیوسته را در داخل یک سلول محاسبه کنند، با استفاده از یادگیری ماشین، این کار با ارزیابی بخشی که در هر یک از مکان‌های درون سلولی وجود دارد انجام می‌شود.
هنگامی که این مورد تجزیه و تحلیل شد، می توان از مدل های مولد یادگیری برای ایجاد مدل های سلولی جدید استفاده کرد. تصاویر جدید بر اساس تصاویر استفاده شده برای آموزش مدل سنتز می شوند. این برای سلول های HeLa در دو بعد و سه بعدی اعمال شده است. این امکان مطالعه اثرات پرتورباژن و تغییرات سلولی در نتیجه بیماری ها و داروها را فراهم می کند.
روش های یادگیری فعال
یک سیستم یادگیری ماشین فعال، روشی برای ساخت یک مدل پیش‌بینی از داده‌های موجود و روشی برای استفاده از آن مدل برای تصمیم‌گیری در مورد جمع‌آوری داده‌های آینده دارد. بنابراین، سیستم می تواند نقاط داده را برای جمع آوری و افزودن به داده های موجود انتخاب کند.
یکی از مشکلات اصلی در کشف دارو، ردیابی تأثیرات یک ترکیب است، بنابراین بدون تغییر دادن سایرین، روی هدف تأثیر می گذارد. در حال حاضر، محققان از مسیرهای سیگنال شناخته شده، بینش و شهود استفاده می کنند.
یادگیری ماشین می‌تواند با ساخت مدل‌های آماری فضای سه‌بعدی برای انتخاب دقیق‌تر موارد مرتبط، انتخاب آزمایش‌ها را ساده‌تر کند.
کاربردهای یادگیری ماشین در کشف دارو
چندین شرکت برای صرفه جویی در هزینه و تلاش در تلاش های ناموفق توسعه دارو با یکدیگر همکاری می کنند. غول داروسازی فایزر اکنون از سیستم IBM Watson استفاده کرده است که از یادگیری ماشین برای کمک به جستجوی داروهای سرطان شناسی ایمنی استفاده می کند.
مشابه همین، Genetech از گروه Roche، یکی دیگر از غول‌های دارویی، برای استفاده از یادگیری ماشینی در داده‌های زیست‌پزشکی همکاری می‌کند. آنها همچنین با استفاده از پلتفرم یادگیری ماشینی علّی GNS Healthcare بر روی انکولوژی ایمنی تمرکز خواهند کرد. هدف کشف و اعتبارسنجی نامزدهای دارویی جدید بالقوه است.
Genetech و GNS همچنین قصد دارند نشانگرهای پاسخ ژنتیکی را بررسی کنند تا امیدواریم درمان های هدفمند را توسعه دهند. این اصل، که عموماً از آن به عنوان پزشکی شخصی یاد می شود، آینده پزشکی است. اعتقاد بر این است که یادگیری ماشین می تواند به تعیین ژن ها و نشانگرهای ژنتیکی با یک درمان بالقوه کمک کند.
یادگیری ماشین و دلایل بالقوه برای نگرانی
در حالی که یادگیری ماشین یک پیشرفت تکنولوژیکی شگفت انگیز است، می تواند کمی نگران کننده نیز باشد. در پایان روز، یادگیری ماشین به یک مجموعه داده قابل اجرا و نماینده برای مدلی که باید بر اساس آن ساخته شود، متکی است. این باعث می شود که آن را مستعد ابتلا به سندرم به اصطلاح “زباله درونی، زباله بیرونی” کند، که در آن ورودی های مغرضانه می تواند خروجی های غیرواقعی ایجاد کند.
به‌علاوه، ریاضیات خاصی که در پس این که چگونه یادگیری ماشین واقعاً کاری را که انجام می‌دهد، کاملاً درک نشده است. در حالی که یک دانشمند کامپیوتر می‌تواند پارامترهای شبکه‌های عصبی داخل سیستم یادگیری ماشین را تغییر دهد، اما نمی‌تواند به طور کامل رفتار مدل را توضیح دهد. بنابراین، سیستم یادگیری ماشین می‌تواند پیش‌بینی کند، اما دلیلی برای آن پیش‌بینی ارائه نمی‌کند.
منابع:
• becominghuman.ai
• sloanreview.mit.edu
• www.nature.com
• www.ncbi.nlm.nih.gov
• www.techemergence.com
• www.technologyreview.com
• www.news-medical.net
مترجم: سید سپهر ارومیهء

خروج از نسخه موبایل