Ecco come
Il sequenziamento di nuova generazione ha consentito importanti guadagni di velocità con l’uso di un massiccio sequenziamento parallelo.
Gli operatori sanitari utilizzano ampiamente AI e ML per fornire trattamenti personalizzati. Ultimamente, il ML si è dimostrato determinante nel guidare l’efficienza degli studi clinici e accelerare il processo di scoperta dei farmaci .
Gli scienziati stanno ora sfruttando algoritmi di deep learning per la classificazione delle immagini cellulari, la scoperta di farmaci, l’analisi del genoma e anche per collegare i dati di immagini e genomi con l’EMR (Electronic Medical Records). Nella biologia computazionale , l’apprendimento profondo viene applicato a dati biologici ad alto rendimento per dare un senso a set di dati ad alta dimensione.
Applicazioni ML in biologia
Il sequenziamento di nuova generazione ha consentito importanti guadagni di velocità con l’uso di un massiccio sequenziamento parallelo. Ora, ML viene applicato per identificare le regioni codificanti geni in un genoma. Tali strumenti di previsione dei geni hanno rappresentato un enorme miglioramento rispetto alle tipiche ricerche di sequenze basate sull’omologia.
In proteomica, l’uso di ML ha aumentato l’accuratezza della previsione della struttura dal 70% a oltre l’80%. Inoltre, l’estrazione di testo di database secondari e più articoli di riviste ha aiutato a identificare nuovi bersagli farmacologici.
Strumenti ML in biologia
I metodi di apprendimento profondo come la rete neurale ricorrente (RNN), la rete neurale profonda (DNN), il codificatore automatico profondo (DA), la rete neurale di convoluzione (CNN) e la macchina di Boltzman profonda (DBM) hanno innumerevoli casi d’uso in biologia. Ad esempio, il DNN svolge un ruolo fondamentale nell’identificazione di potenziali biomarcatori dai dati del proteoma e del genoma. DeepCpG è un’applicazione CNN utilizzata per prevedere gli stati di metilazione del DNA in singole cellule. Ha fornito risultati accurati rispetto ai metodi esistenti controllando cinque tipi di dati di metilazione.
Nel 2005, la biologa computazionale Anne Carpenter ha sviluppato un software open source, CellProfiler , per misurare quantitativamente caratteristiche individuali come il numero di cellule fluorescenti in un campo di microscopia.
Verily Life Science e Google hanno progettato insieme DeepVariant per estrarre i dati del genoma. Predice accuratamente il tipo comune di variazione genetica rispetto agli strumenti convenzionali.
Il deep learning ha ampie applicazioni nel processo di scoperta di farmaci. Atomwise ha sviluppato un algoritmo per rappresentare le molecole in pixel 3D: aiuta a visualizzare la struttura 3D di proteine e piccole molecole con precisione atomica. Inoltre, l’algoritmo utilizza queste caratteristiche per prevedere piccole molecole che interagiscono con una determinata proteina.
Secondo la dott.ssa Melanie Matheu , fondatrice di Prellis Biologics, Inc., la nuova generazione di farmaci che entrano nelle pipeline di farmaci potenziati dallo screening dell’IA per la selezione dei bersagli è pronta a ridurre fino all’86% i tassi di fallimento degli studi clinici per le piccole molecole.
L’efficienza dei costi dell’IA
Gli algoritmi di intelligenza artificiale possono sgranocchiare quantità folli di dati per accelerare il processo di scoperta di farmaci. Si prevede che l’uso di AI/ML ridurrà l’attuale tasso di fallimento del 90% nella produzione farmaceutica.
Nello Human Genome Project, l’analisi dei dati e gli algoritmi ML hanno contribuito a ridurre il costo del sequenziamento del genoma da 2,7 miliardi di dollari a meno di 300 dollari. Ora, i bioingegneri sono in grado di eseguire screening approfonditi dei partecipanti alla sperimentazione con l’uso di queste tecnologie all’avanguardia. Nel prossimo futuro, gli operatori sanitari saranno in grado di progettare trattamenti che funzionano a livello genetico e molecolare.
