人工智能如何識(shí)別癌細(xì)胞

癌細(xì)胞與健康細(xì)胞有何不同?一種名為“ikarus”的新機(jī)器學(xué)習(xí)算法知道答案，由 MDC 生物信息學(xué)家 Altuna Akalin 領(lǐng)導(dǎo)的團(tuán)隊(duì)在《基因組生物學(xué)》雜志上報(bào)道。人工智能程序發(fā)現(xiàn)了腫瘤的基因特征。

在識(shí)別海量數(shù)據(jù)中的模式時(shí)，人類無(wú)法與人工智能 (AI) 匹敵。特別是，稱為機(jī)器學(xué)習(xí)的 AI 分支通常用于查找數(shù)據(jù)集中的規(guī)律性——無(wú)論是用于股票市場(chǎng)分析、圖像和語(yǔ)音識(shí)別，還是用于細(xì)胞分類。為了可靠地區(qū)分癌細(xì)胞和健康細(xì)胞，由亥姆霍茲協(xié)會(huì) (MDC) Max Delbrück 分子醫(yī)學(xué)中心生物信息學(xué)和組學(xué)數(shù)據(jù)科學(xué)平臺(tái)負(fù)責(zé)人 Altuna Akalin 博士領(lǐng)導(dǎo)的團(tuán)隊(duì)現(xiàn)已開(kāi)發(fā)出機(jī)器學(xué)習(xí)程序稱為“伊卡魯斯”。

該程序在腫瘤細(xì)胞中發(fā)現(xiàn)了一種模式，這種模式對(duì)不同類型的癌癥很常見(jiàn)，由基因的特征組合組成。根據(jù)該團(tuán)隊(duì)在《基因組生物學(xué)》雜志上的論文，該算法還檢測(cè)到這種模式中以前從未與癌癥明確相關(guān)的基因類型。

機(jī)器學(xué)習(xí)本質(zhì)上意味著算法使用訓(xùn)練數(shù)據(jù)來(lái)學(xué)習(xí)如何自己回答某些問(wèn)題。它通過(guò)在數(shù)據(jù)中搜索有助于解決問(wèn)題的模式來(lái)做到這一點(diǎn)。在訓(xùn)練階段之后，系統(tǒng)可以從它所學(xué)的知識(shí)中進(jìn)行概括，以評(píng)估未知數(shù)據(jù)。“在專家已經(jīng)清楚地區(qū)分‘健康’和‘癌細(xì)胞’細(xì)胞的情況下，獲得合適的訓(xùn)練數(shù)據(jù)是一項(xiàng)重大挑戰(zhàn)，”該論文的第一作者 Jan Dohmen 說(shuō)道。

驚人的成功率

此外，單細(xì)胞測(cè)序數(shù)據(jù)集通常很嘈雜。這意味著它們包含的有關(guān)單個(gè)細(xì)胞的分子特征的信息不是很精確——可能是因?yàn)樵诿總€(gè)細(xì)胞中檢測(cè)到的基因數(shù)量不同，或者因?yàn)闃悠返奶幚矸绞讲⒉豢偸窍嗤?。正?Dohmen 和他的同事、該研究的聯(lián)合負(fù)責(zé)人 Vedran Franke 博士所報(bào)告的那樣，他們篩選了無(wú)數(shù)出版物并聯(lián)系了相當(dāng)多的研究小組，以獲得足夠的數(shù)據(jù)集。該團(tuán)隊(duì)最終使用來(lái)自肺癌和結(jié)直腸癌細(xì)胞的數(shù)據(jù)來(lái)訓(xùn)練算法，然后將其應(yīng)用于其他類型腫瘤的數(shù)據(jù)集。

在訓(xùn)練階段，ikarus 必須找到一個(gè)特征基因列表，然后將其用于對(duì)細(xì)胞進(jìn)行分類。“我們嘗試并改進(jìn)了各種方法，”Dohmen 說(shuō)。正如三位科學(xué)家所說(shuō)，這是一項(xiàng)耗時(shí)的工作。“關(guān)鍵是ikarus最終使用兩個(gè)列表：一個(gè)用于癌癥基因，另一個(gè)用于來(lái)自其他細(xì)胞的基因，”弗蘭克解釋道。在學(xué)習(xí)階段之后，該算法也能夠可靠地區(qū)分其他類型癌癥(例如組織樣本)中的健康細(xì)胞和腫瘤細(xì)胞來(lái)自肝癌或神經(jīng)母細(xì)胞瘤患者。它的成功率往往非常高，這甚至讓研究小組感到驚訝。“我們沒(méi)想到會(huì)有一個(gè)共同的特征可以如此精確地定義不同類型癌癥的腫瘤細(xì)胞，”Akalin 說(shuō)。“但我們?nèi)匀徊荒苷f(shuō)這種方法是否適用于所有類型的癌癥，”Dohmen 補(bǔ)充道。為了將 ikarus 變成一種可靠的癌癥診斷工具，研究人員現(xiàn)在想要在其他類型的腫瘤上進(jìn)行測(cè)試。

標(biāo)簽：