В недавнем выборочном обзоре, опубликованном в журнале Signal Transduction and Targeted Therapy, авторы рассмотрели, как искусственный интеллект (ИИ) может способствовать открытию, проверке, биологической интерпретации биомаркеров, клинической полезности и интеграции лечения различных заболеваний.
фон
Чтобы многообещающий биомаркер был полезен при лечении пациентов, ему требуется нечто большее, чем просто сильная предсказательная сила. Биомаркеры могут помочь обнаружить, классифицировать и направить лечение проблем со здоровьем, но многие кандидаты, показавшие хорошие результаты в ранних исследованиях, не могут быть воспроизведены в независимых когортах или улучшить процесс принятия клинических решений. В то же время исследование биомаркеров опирается на комбинацию таких измерений, как геномные, транскриптомные, протеомные, метаболические, визуальные, клеточные, циркуляционные и цифровые данные.
ИИ может интегрировать эти данные и выявлять многомасштабные закономерности, но предвзятость, путаница, неоднородность данных, переобучение и слабая внешняя проверка могут ограничить перевод. Авторы призывают к созданию биомаркеров, которые были бы воспроизводимыми, биологически значимыми, клинически применимыми и проспективно подтвержденными.
Тип данных биомаркера
Открытие биомаркеров охватывает несколько областей, включая молекулярные биомаркеры, клеточные биомаркеры, циркулирующие биомаркеры, биомаркеры визуализации и цифровые биомаркеры. В молекулярной области исследователи используют такие подходы, как геномика, эпигеномика, транскриптомика и протеомика.
Стратегии мультиомики интегрируют эти слои, тогда как одноклеточные и пространственные подходы сохраняют клеточный и тканевый контекст. Клеточные биомаркеры фиксируют иммунную активацию, истощение, изменения в линии, воспалительные программы и тканевую среду. Внеклеточные ловушки нейтрофилов связывают врожденную иммунную активацию с повреждением сосудов, тромбозом и повреждением тканей.
Циркулирующие биомаркеры обеспечивают минимально инвазивный способ оценки биологии заболевания. Такие сигналы, как циркулирующая опухолевая ДНК, внеклеточная рибонуклеиновая кислота (вкРНК), белки и внеклеточная дезоксирибонуклеиновая кислота (вкДНК), такие как метаболиты, могут способствовать выявлению заболеваний и мониторингу в соответствующих клинических условиях. Их клиническая ценность зависит от предварительной аналитической обработки, аналитической чувствительности, опухолевой нагрузки, сроков лечения и характеристик пациента.
Внеклеточные везикулы отражают клетку происхождения и передают молекулярные сигналы, которые облегчают межклеточную связь, но различия в методах выделения, загрязняющих веществах, стандартах количественного определения и лабораториях усложняют их использование в качестве биомаркеров.
Визуализирующие биомаркеры предоставляют информацию о структуре и функциях тканей. Радиомика и компьютерная визуализация позволяют количественно оценить характеристики компьютерной томографии, магнитно-резонансной томографии, позитронно-эмиссионной томографии и цифровой патологии, но требуют контроля над различиями сканеров, протоколами сбора данных, сегментацией и межсайтовой координацией.
Цифровые биомаркеры носимых устройств, смартфонов и датчиков окружающей среды могут фиксировать сон, мобильность, вегетативную физиологию и симптомы. Сохраняются опасения, в том числе неоднородность устройств, неполные данные, поведенческие искажения и социально-экономические предвзятости.
Методы искусственного интеллекта для обнаружения биомаркеров
Традиционное машинное обучение остается полезным, когда набор данных содержит много переменных, но мало предметов. Регуляризованная регрессия, машины опорных векторов и ансамбли деревьев могут идентифицировать кандидатные биомаркеры, но утечка, итеративные корректировки, выбор на основе результатов и нестабильные объяснения могут привести к чрезмерно оптимистичным результатам.
Глубокое обучение полезно для нелинейных и структурированных данных, таких как изображения, массивы и графики. В то время как обучение представлению может генерировать многоразовые внедрения, обучение с самоконтролем может использовать немаркированные данные для задач, требующих переноса между настройками.
Мультимодальное машинное обучение объединяет изображения, лабораторные измерения, продольные клинические данные и другие источники. Трансферное обучение может использовать большие наборы данных электронных медицинских записей для поддержки небольших парных омиков и клинических когорт.
Графовые нейронные сети могут моделировать взаимоотношения между генами, белками, путями, лекарствами и фенотипами, а также включать биологическую структуру в обучение.
Фундаментальные модели, обученные на больших наборах биологических данных, могут обеспечить многоразовые представления для таких задач, как омика, открытие лекарств и биологический анализ. Эти модели могут также кодировать сигналы партии, происхождения или места, которые проявляются как биомаркеры в отсутствие контроля со стороны исследователей.
Генеративные и симуляционные модели могут предлагать сигнатуры-кандидаты, молекулярные состояния, реакции на возмущения, гипотезы путей и возможные механизмы. Такие результаты первоначально следует рассматривать как гипотезу, а не как доказательство.
Дальнейший набор кандидатов требует внутренней согласованности, внешнего тиражирования, проверки стабильности среди групп населения и платформ, а также клинически значимых преимуществ. Хотя методы объяснительности могут способствовать аудиту и прозрачности, они не могут заменить биологическую проверку или экспериментальное тестирование.
Механический искусственный интеллект и клинический перевод
Большинство биомаркеров, полученных с помощью искусственного интеллекта, являются корреляционными, выявляя закономерности, связанные с результатом, без установления причин возникновения этих закономерностей. Хотя такие маркеры по-прежнему могут быть полезны для стратификации риска, механистические доказательства важны при использовании маркеров для направления лечения или определения целей лечения.
Механический ИИ включает в себя биологические пути, сети, данные об возмущениях или причинные структуры для связи сигнатур с процессами заболеваний. В то время как модели ограничения пути могут кодировать известные сигнальные отношения, наборы данных об возмущениях из кластерных экспериментов с короткими палиндромными повторами с регулярными интервалами, анализов реакции на лекарства и стимуляции цитокинов могут помочь отличить причинные факторы от нижестоящих коррелятов.
Изучение причинно-следственных представлений требует особенностей, которые остаются стабильными при вмешательстве, но данные наблюдений остаются уязвимыми к неизмеренным искажениям и изменениям заболевания с течением времени.
Биомаркеры состояния путей могут более эффективно фиксировать функциональную активность, чем измерения изолированного молекулярного содержания. Вместо измерения отдельных компонентов они оценивают, как ведут себя сети взаимодействующих молекул.
В данной статье в качестве примеров изменений в биологических системах, активацию которых не всегда можно определить по отдельным компонентам, рассматриваются фосфоинозитид-3-киназа – протеинкиназа B – механистические мишени рапамицина, митоген-активируемая протеинкиназа, ядерный фактор каппа B и янус-киназа – преобразователи сигналов и активаторы транскрипционных путей.
Еще одним примером являются нейтрофильные внеклеточные ловушки. Внеклеточные ловушки нейтрофилов могут отражать взаимодействие между воспалительными и коагуляционными процессами, но их значение в терапии еще необходимо проверить.
Механистические подходы могут поддерживать классификацию ответа на лечение, стратификацию пациентов, обогащение исследований и определение приоритетности терапевтических целей, но правдоподобные цели все еще требуют экспериментальной и независимой проверки.
Валидация и внедрение
Авторы предлагают путь развития, охватывающий открытие, внешнюю проверку, тестирование в различных условиях, клиническую полезность и внедрение.
Требуется внешняя проверка на независимых когортах и подгруппах, поскольку эффективность открытий может переоценивать эффективность.
Оценки должны выходить за рамки таких показателей идентификации, как площадь под кривой, и включать анализ решений, интеграцию рабочих процессов и результаты лечения пациентов. Проспективные исследования особенно важны, когда биомаркеры определяют выбор лечения, дозировку или расширение клинических исследований.
Общие препятствия включают неоднородность данных, ограниченное разнообразие когорт, неполную биологическую аннотацию, расхождения в отчетности, дрейф наборов данных, путаницу, связанную с лечением, и неподходящую интеграцию в клинические рабочие процессы.
В этом обзоре рекомендуется гармонизированный сбор данных, перспективная многоцентровая валидация, прозрачная отчетность, последовательность измерений, калибровка, справедливость и стандартизированная оценка клинической полезности.
заключение
В этом обзоре делается вывод, что ИИ может расширить масштаб открытия биомаркеров за счет интеграции молекулярных, клеточных, визуальных, циркуляционных и цифровых данных для выявления признаков заболеваний. Однако точный прогноз сам по себе не определяет клиническую ценность. Биомаркеры также требуют воспроизводимых измерений, независимого тестирования и доказательств того, что их использование улучшает уход. Биологические гипотезы должны направлять мультимодальную интеграцию, а эксперименты должны проверять предлагаемые механизмы.
Авторы называют проспективные исследования, гармонизированные данные, прозрачную отчетность, стандартизированные оценки, нормативную координацию и междисциплинарное сотрудничество приоритетами для продвижения биомаркеров, полученных с помощью ИИ, от момента открытия до терапевтических разработок и принятия клинических решений. новости медицинские
