计算法研究癌症处理
大数据计算分析集能带来巨大的进步 方法进行医学基础研究全世界数位研究人员已经开始开发算法,分析大量生物和医学数据,为未来调查确定新假设医学研究中可以从机器学习算法使用高度受益的一个领域是探索癌症基因组学并努力确定各种子型疾病的最佳处理方法
Benjamin Haibe-Kains博士探索机器学习算法、生物信息学和计算基因组学的潜力,以改进癌症患者生存预测和对治疗响应
大数据的价值与挑战
历年来,科学家从实验中收集了大量数据,以更好地了解复杂疾病背后的分子动态。然而,这些数据的复杂性使得人类研究者难以深入分析并提取相关信息。高性能计算机使用和正确程序大有帮助计算机科学家在过去几十年中努力开发机器学习算法-程序允许机器快速分析大量数据并使用iarn模型识别相关信息并预测之后这些算法可用以开发人工智能工具,帮助人类分析无法获取的数据AI工具随着日新月异的先进化开通大数据分析新天地,改变研究调查方式,在短短时间内发现重要发现
<>
人工智能和癌症研究
人工智能和机器基础学习算法对于探索复杂疾病研究特别有价值,同时努力识别有效药理处理方法
癌症是世界范围死亡的主因之一 完全例子科学家尚无法识别系统治疗癌症成功治愈该疾病多位最具攻击性子型癌症发源于人体某部分异常细胞不受控制分治,可入侵并摧毁周围健康组织与器官这是一种极其复杂的疾病,200多子类型,每种类型常诊断和处理方式不同。癌症发自细胞基因组材料异常化, 科学家开发出精密剖析技术测量这些异常化并使用这些技术实现个性化治疗最常用的癌症治疗方法仍然是化疗,用药杀最扩散细胞,用高能X光进行放射治疗这些处理方法有时可成功减少或消除癌症细胞,但它们可能剧毒,不切合使每一种肿瘤都独一无二的特定基因组异常
人工智能工具可帮助研究人员分析每种肿瘤的复杂基因组组成以开发处理响应的精确预测器转而帮助确定个人病人更有效的治疗方法,这是个人化医学的一大步
计算法癌症研究
Benjamin Haibe-Kains博士在整个职业生涯中探索机器学习算法、生物信息学和计算基因组学的潜力,以改进对病人生存预测和对治疗响应比利时自由大学研究生训练期间,基于高维基因表达数据开发乳腺癌患者生存预测器Dana-Farber癌症学院/Harvard公共卫生学院后院研究员继续研究,利用大数数据采集开发“语言表达特征”,以强力识别乳癌和卵巢癌分子子类型
海贝昆斯博士及其合作者使用大量癌症分子数据集合和机器学习算法确定数个“预测生物标志器”,即计算模型,使用特定分子特征预测接受标准护理处理的癌症患者生存概率容我进一步改进分子预测模型
个人病人有效处理
Haibe-Kains博士自创独立实验室,拓展研究领域探索机器学习算法可用于预测病人理疗响应的方法象IBM这样的大球员宣布Watson主动开发AI帮助肿瘤学家处理决策过程,这对Haibe-Kains博士将生物标志发现扩展超出病人生存范围并实现个性化医学是一个令人振奋的机会Haibe-Kains博士及其团队快速认识到,由于临床试验费用高,现有与特定治疗和癌症子类型有关的临床数据极缺。机体学习通常需要大样本以避免人工发现,现在是时候调查“预测模型 ”, 即从病人肿瘤中衍生出可无限复制的癌症细胞与临床实验相比,这些模型提供奇特的优势,因为同一组癌症细胞可用多法测试,评估哪种最高效或无法处理的病人
海贝开氏实验室投入大部分资源编译和整理大抗癌药屏预科模型屏幕上不单包含癌症细胞的基因组组成, 并包含这些细胞对化学处理的反应方式复杂数据指药理学这些努力导致开发PharmacoDB一号网络应用允许研究者快速存取药理学数据 调查基因异常和药响应之间的可能关联
人工智能基础和翻译癌症研究可标志个人化医学新时代的开始
海贝开因博士当前研究的一部分,正在数据库测试机器学习算法,以测试并定位处理响应预测器PharmacoDB可开发AI工具帮助选择每位癌症病人最有效治疗方法海贝开斯实验室还利用这些宝贵数据解决癌症研究中的另一个重要问题:如何根据药机制分类?生物学家、化学家和药学家联手开发大量抗癌潜能值高的药片,但其中许多药并不清楚它们如何实际抑制癌症细胞生长。海贝开因博士及其团队开发了药物网络聚合技术DNF,这是一种新技术,综合多药理学数据设计综合药物相似性地图(或分类学)。DNF允许研究者评估一种机制未知使用特征精良药药的相似性,从而提供高效工具识别经批药或实验药的潜在新指针(进程名称为“药再配方”)随着更多药理学资料的提供和机器学习算法的进一步改进,PharmacoDB等数据库可成为极值资源
新时代研究
机器学习和AI工具基础和翻译癌症研究可标志个性化医学新时代的开始,以快速高级数据分析为特征,此前无法实现Haibe-Kains博士的工作就是一个很好的例子,因为他引进计算法,通过分析大型数据集并识别处理响应预测器,可显著加速癌症研究
海贝-开因博士研究方法高度协作和多科性,综合不同领域科学家的专门知识未来,他开发的计算方法可能导致破解发现,这可以通知肿瘤学家如何选择对临床环境癌症病人个人最有效处理方法
引用
- http://pharmacodb.pmgenomics.ca/
- PharmacoGx:用于分析大型药理学数据集的R包Smirnov P、SafikhaniZ、El-HachemN、WangD、SheA、OlsenC、FreemanM、SelbyH、GendooDM、GrossmanP、BeckAH、AertsHJ、LupienM、GoldenbergA、Haibe-KainsB生物信息学2015年12月9日
- PharmacoDB:综合数据库挖掘体外抗癌药物筛选研究Smirnov P,cofaV,MaruA,FreemanM,HoC,El-HachemN,AdamGA,Ba-alawiW,SafikhaniZ,Haibe-KainsB核酸Res2017Oct9gkx911
- 综合癌症药理学推导大规模药理分类Hachem N公司、GendooDM公司、SoltanGhoraieL公司、SmirnovP公司、钟C公司、DengK公司、FangA公司、BirkwoodE公司、HoC公司、IserlinR公司、BaderG公司、GoldenbergA公司、Haibe-KainsB公司癌症解析2017年3月17日
- Geneisoforms表达式生物标志预测药物响应试管内.SifikhaniZ公司、SmirnovP公司、ThuKL公司、SilvesterJ公司、LupienM公司、MakTW公司、CesconD公司、Haibe-KainsB公司Nat Commun 2017Oct
Q&A
何时开始对计算模型感兴趣 用于癌症基因组研究
学计算机科学学士时 我对机器人人工智能开发感兴趣二零零年代初,AI机器人尚处于萌芽阶段,应用范围仍然有限。前布鲁塞尔自由大学主管Gianluca Bontempi教授建议我考虑生物信息学,这是一个蓬勃发展的领域,需要拥有机器学习专长的研究人员。由Jules Bordet学院乳癌肿瘤学家Christos Sotiriou博士共同监督启动博士学位开始使用计算模型 癌症基因组研究
至今为止,你开发的机器学习工具在提高药理学数据生物标志发现和药选效果如何
my实验室肯定不是第一个解决这些重要挑战开发计算平台 药理学数据分析PharmacoGx2PharmacoDB3开源免费供科学界使用大量药理学数据手头,我们应用机器学习技术更好地分类药物4并发现新生物标志预测癌症细胞线中药物响应5.即便这些发现在转换为诊所前还需进一步验证,但它们显示机器学习可产生有潜在临床相关性的有希望结果
需要多久你才开始目睹 AI技术在医学环境大应用
不久 可能几年后多医院电子健康记录连接从肿瘤素材中取出实验数据后,我们终于能访问AI显示生物医学应用全部潜力所需的大质量数据大群病人和衍生材料对大发现和在诊所搭建新一代AI工具十分必要,医院正在联手,甚至制药公司也开始分享越来越多的临床实验数据这些都是必要的步骤 释放AI能力 个性化医学
未来几年内,你觉得AI在医学领域研究创新方面能起什么作用?
难以预测AI未来医学角色应用接近无限帮助病人更好地调度一系列医疗预约处理癌症等复杂疾病帮助医院更好地监控性能,确保最高标准安全性能、诊断精度和治疗效果可穿戴设备数据挖掘将允许持续监控和患者在出现症状时更加主动AI将帮助新发现 进一步扩大我们对癌症和其他疾病的知识无穷无穷
未来研究计划是什么
动物研究中首例发现 — — 药响应预测器和新药预测对攻击性癌症类型有效 — — 令动物研究接近临床应用玛格丽特公主癌症中心拥有强大的药开发集团,这将是这项努力的关键第二,我想把药理学平台工具选供医院和制药公司使用,以进一步促进数据分享和大规模计算分析最后,我想整合分子数据成像数据,包括病理图像和放射性图像,预测最佳处理流程并更好地随时间跟踪病人支持未来临床应用研究线