Immunologische onderzoekers hebben een computationeel hulpmiddel gelanceerd om de paraatheid voor pandemieën te verbeteren door gegevens uit verschillende experimenten te vergelijken. Dit algoritme maakt gebruik van machinaal leren om patronen in datasets te ontdekken en zo een dieper inzicht te krijgen in de immuunreacties. Het belooft aanzienlijke vooruitgang op het gebied van vaccinontwerp en immunologisch onderzoek, en heeft een breed toepassingspotentieel in verschillende biologische contexten.
Computationele biologen gebruiken machine learning om gegevens over het immuunsysteem te begrijpen. Onderzoekers van het immuunsysteem hebben een computerhulpmiddel ontworpen om de paraatheid bij pandemieën te verbeteren. Wetenschappers kunnen het nieuwe algoritme gebruiken om gegevens uit enorm verschillende experimenten te vergelijken en beter te voorspellen hoe individuen waarschijnlijk op ziekten zullen reageren.
"We proberen te begrijpen hoe individuen zichzelf verdedigen tegen verschillende virussen, maar het mooie van onze aanpak is dat je deze kunt generaliseren naar andere biologische omgevingen, zoals het vergelijken van verschillende medicijnen of verschillende kankercellijnen", zegt Tal Einav, Ph.D., assistent-professor aan het La Jolla Instituut voor Immunologie (LJI) en co-leider van de nieuwe studie in het tijdschrift Cell Reports Methods.
Het werk lost een grote puzzel op in medisch onderzoek. Laboratoria die infectieziekten bestuderen – zelfs die dezelfde virussen bestuderen – verzamelen enorm verschillende soorten gegevens. "Elke dataset is een eiland op zichzelf", zegt Enav.
Sommige onderzoekers bestuderen mogelijk diermodellen, anderen bestuderen menselijke patiënten. Sommige laboratoria richten zich op kinderen, andere verzamelen monsters van oudere volwassenen met een verzwakt immuunsysteem. Locatie is ook belangrijk. Cellen afkomstig van Australische patiënten reageren mogelijk anders op het virus dan cellen afkomstig van de Duitse patiëntenpopulatie, eenvoudigweg gebaseerd op eerdere blootstelling aan het virus in die gebieden.
"De biologie voegt nog een laag van complexiteit toe. Virussen evolueren voortdurend, wat ook de gegevens verandert", zei Enav. "Zelfs als twee laboratoria in hetzelfde jaar dezelfde patiënten testen, kunnen hun testresultaten enigszins verschillen."
Uniforme berekeningsmethode
Enav werkte nauw samen met Dr. Rong Ma, een postdoctoraal onderzoeker aan Stanford University, om een algoritme te ontwikkelen waarmee grote datasets kunnen worden vergeleken. Hij werd geïnspireerd door zijn achtergrond in de natuurkunde, een discipline waarin wetenschappers erop kunnen vertrouwen dat de gegevens zullen voldoen aan de bekende wetten van de natuurkunde, hoe innovatief een experiment ook is. E is altijd gelijk aan mc2.
"Als natuurkundige vind ik het leuk om alles samen te brengen en het verenigende principe te vinden," zei Enav.
De nieuwe rekenmethode vereist geen nauwkeurige kennis van waar of hoe elke dataset is verkregen. In plaats daarvan gebruikten Enaf en Ma machine learning om te bepalen welke datasets dezelfde basispatronen volgden.
"Je hoeft mij niet te vertellen dat bepaalde gegevens afkomstig zijn van kinderen, volwassenen of tieners. We hoeven de machine alleen maar te vragen: 'Hoe vergelijkbaar zijn deze gegevens met elkaar?' en vervolgens vergelijkbare datasets combineren tot een superset om betere algoritmen te trainen", aldus Enav. In de loop van de tijd kunnen deze vergelijkingen consistente principes in immuunreacties aan het licht brengen – principes die moeilijk te vinden zijn in de enorme en gefragmenteerde datasets van de immunologie.
Potentiële implicaties voor vaccinontwerp en immunologie
Onderzoekers kunnen bijvoorbeeld betere vaccins ontwerpen door precies te begrijpen hoe menselijke antilichamen zich op virale eiwitten richten. Dit is waar de biologie opnieuw ingewikkeld wordt. Het probleem is dat mensen ongeveer vijf miljoen unieke antilichamen kunnen maken. Ondertussen kan een viraal eiwit meer mutaties hebben dan er atomen in het universum zijn.
"Dat is de reden waarom mensen steeds grotere datasets verzamelen om te proberen de bijna oneindige speeltuin die de biologie is te verkennen," zei Enav.
Maar wetenschappers hebben geen onbeperkte tijd, dus hebben ze manieren nodig om grote hoeveelheden gegevens te voorspellen die ze eigenlijk niet kunnen verzamelen. Enav en Ma hebben aangetoond dat hun nieuwe computermethode wetenschappers kan helpen deze hiaten op te vullen. Ze toonden aan dat hun methode om grote datasets te vergelijken talloze nieuwe immunologische regels kon onthullen, die vervolgens op andere datasets konden worden toegepast om te voorspellen hoe ontbrekende gegevens eruit zouden moeten zien.
De nieuwe methode is ook alomvattend genoeg om de voorspellingen van wetenschappers geloofwaardig te maken. In de statistiek is een ‘betrouwbaarheidsinterval’ een manier om te kwantificeren hoe zeker een wetenschapper is van een voorspelling.
"Deze voorspellingen werken een beetje zoals het Netflix-algoritme, dat voorspelt welke film je misschien leuk vindt om te kijken," zei Enav. "Het Netflix-algoritme zoekt naar patronen in de films die je in het verleden hebt gekozen. Hoe meer films (of gegevens) je aan deze voorspellingstools toevoegt, hoe nauwkeuriger de voorspellingen zullen zijn. Dat zouden we nooit kunnen verzamelen." met alle gegevens, maar met een klein aantal metingen kunnen we veel doen. We kunnen niet alleen de betrouwbaarheid van de voorspelling inschatten, maar u ook vertellen welke verdere experimenten de betrouwbaarheid zullen maximaliseren. Voor mij is de echte overwinning altijd het verkrijgen van een dieper begrip van een biologisch systeem geweest, en dit raamwerk is precies bedoeld om dat te doen."
Toekomstige richtingen en samenwerking
Enav trad onlangs toe tot de LJI-faculteit na het voltooien van een postdoctorale opleiding in het laboratorium van Dr. Jesse Bloom in het Fred Hatch Cancer Center. Terwijl hij zijn werk bij LJI voortzet, is hij van plan zich te concentreren op het gebruik van computerhulpmiddelen om meer te leren over de menselijke immuunreacties op een aantal virussen, te beginnen met griep. Hij kijkt ernaar uit om samen te werken met de beste immunologen en datawetenschappers van LJI, waaronder professor Bjoern Peters (PhD), die ook natuurkundige van opleiding is.
"Als je mensen met verschillende achtergronden hebt, krijg je geweldige synergieën. Met het juiste team is het oplossen van deze grote open problemen eindelijk mogelijk", aldus Enav.
Samengestelde bron: ScitechDaily