機器學習在生物醫(yī)學研究中發(fā)揮著越來越重要的作用。慕尼黑工業(yè)大學 (TUM) 的科學家們現(xiàn)在開發(fā)了一種使用分子數(shù)據(jù)提取疾病亞型的新方法。將來，這種方法可以幫助支持對更大患者群體的研究。
如今，醫(yī)生根據(jù)癥狀來定義和診斷大多數(shù)疾病。然而，這并不一定意味著具有相似癥狀的患者的疾病將具有相同的原因或表現(xiàn)出相同的分子變化。在生物醫(yī)學中，人們經(jīng)常談到一種疾病的分子機制。這是指在疾病發(fā)作時基因、蛋白質(zhì)或代謝途徑的調(diào)節(jié)發(fā)生變化。分層醫(yī)學的目標是在分子水平上將患者分為不同的亞型，以提供更有針對性的治療。
為了從大量患者數(shù)據(jù)中提取疾病亞型，新的機器學習算法可以提供幫助。它們旨在獨立識別廣泛臨床測量中的模式和相關性。由實驗生物信息學主席 Josch Konstantin Pauling 博士領導的 LipiTUM 初級研究小組為此開發(fā)了一種算法。
通過自動化網(wǎng)絡工具進行復雜分析
他們的方法結合了現(xiàn)有算法的結果，以獲得對臨床亞型的更精確和穩(wěn)健的預測。這統(tǒng)一了每種算法的特點和優(yōu)勢，并消除了它們耗時的調(diào)整。“這使得在臨床研究中應用分析變得更加容易，”鮑林博士報告說。“出于這個原因，我們開發(fā)了一種基于網(wǎng)絡的工具，允許從業(yè)者在沒有生物信息學知識的情況下在線分析分子臨床數(shù)據(jù)。”
在網(wǎng)站上，研究人員可以提交他們的數(shù)據(jù)進行自動分析，并使用結果來解釋他們的研究。“對我們來說，另一個重要方面是結果的可視化。以前的方法無法對患者組、臨床因素和分子特征之間的關系進行直觀的可視化。這將隨著我們的 MoSBi 工具產(chǎn)生的基于網(wǎng)絡的可視化而改變，” TUM 生命科學學院的科學家 Tim Rose 說。MoSBi 代表使用雙聚類的分子特征。雙聚類是算法使用的技術的名稱。
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！