Исследователи из Массачусетского технологического института и Гарварда представляют революционный вычислительный подход на основе искусственного интеллекта эффективное определение оптимальных генетических вмешательств с помощью меньшего количества

Революционная научная разработка от исследователей Массачусетского технологического института и Гарварда эффективное определение оптимальных генетических вмешательств с помощью искусственного интеллекта в новом вычислительном подходе

“`html

В области клеточного репрограммирования исследователи сталкиваются с вызовом выявления оптимальных генетических нарушений для перехода клеток в новые состояния, что является многообещающей техникой для применений, таких как иммунотерапия и регенеративные терапии. Богатая сложность генома человека, состоящая из примерно 20 000 генов и более 1000 транскрипционных факторов, делает этот поиск идеальных нарушений затратным и трудоемким процессом.

В настоящее время большие эксперименты часто разрабатываются эмпирически, что ведет к высоким затратам и медленному продвижению в поиске оптимальных вмешательств. Однако исследовательская группа из Массачусетского института технологии и Гарвардского университета представила революционный вычислительный подход для решения этой проблемы.

Предложенный метод использует причинно-следственные связи в составной системе, такой как регуляция генома, для эффективного выявления оптимальных генетических нарушений с гораздо меньшим количеством экспериментов, чем традиционные методы. Исследователи разработали теоретическую основу для поддержки своего подхода и применили его к реальным биологическим данным, созданным для моделирования экспериментов по клеточному репрограммированию. Их метод обошел существующие алгоритмы, предлагая более эффективный и экономичный способ поиска наилучших генетических вмешательств.

Основа их инноваций заключается в применении активного обучения, подхода машинного обучения, в последовательном процессе экспериментирования. В то время как традиционные методы активного обучения имеют проблемы с комплексными системами, новый подход фокусируется на понимании причинно-следственных связей внутри системы. Приоритезируя вмешательства, наиболее вероятно приводящие к оптимальным результатам, он существенно сокращает пространство поиска. Кроме того, исследовательская группа усовершенствовала свой подход, используя технику взвешивания выхода, которая подчеркивает вмешательства, близкие к оптимальному решению.

В практических тестах с использованием биологических данных по клеточному репрограммированию, их функции приобретения всегда определяли превосходные вмешательства на каждом этапе эксперимента по сравнению с методами базового уровня. Это означает, что меньшее количество экспериментов может давать такие же или лучшие результаты, повышая эффективность и снижая экспериментальные затраты.

Исследователи сотрудничают с экспериментаторами для внедрения своей техники в лаборатории с возможными применениями, простирающимися за пределы геномики, в различные области, такие как оптимизация цен на потребительские товары и управление механикой жидкости.

В заключение, инновационный вычислительный подход от Массачусетского института технологии и Гарвардского университета обещает значительно ускорить прогресс в клеточном репрограммировании, предлагая более эффективный и экономичный способ выявления оптимальных генетических вмешательств. Это развитие является значительным шагом вперед в поиске более эффективной иммунотерапии и регенеративных терапий и обладает потенциалом для более широких применений в других областях.

“`