Dirbtinio intelekto pagrįsti biomedicininiai tyrimai: nuo algoritmų iki laboratorijos

Įvadas

Biomedicininiai tyrimai tradiciškai siejami su laboratorijomis, mikroskopais, klinikiniais stebėjimais ir kruopščiai kontroliuojamais eksperimentais. Šiandien ne mažiau svarbi tapo ir kita aplinka – skaitmeninis pasaulis. Didžiuliai duomenų rinkiniai, dirbtinis intelektas (DI), mašininis mokymasis ir vis sudėtingesni skaičiavimo modeliai keičia tai, kaip mokslininkai tiria žmogaus biologiją.

Šiuolaikinės laboratorijos gali generuoti milžiniškus informacijos kiekius. Genomų sekvenavimas, medicininė vaizdinė diagnostika, molekulinis skriningas, elektroninės sveikatos kortelės, nešiojamieji prietaisai ir automatizuota laboratorinė įranga – visa tai prisideda prie besiplečiančios mokslinių duomenų ekosistemos. Iššūkis jau nebėra vien tik informacijos rinkimas. Mokslininkai turi nuspręsti, kaip ją veiksmingai organizuoti, analizuoti ir interpretuoti.

Būtent čia dirbtinis intelektas pradeda vaidinti svarbų vaidmenį.

Dirbtinis intelektas gali ne pakeisti tradicinius biomedicininius tyrimus, o juos papildyti. Algoritmai gali išnagrinėti milijonus stebėjimų, nustatyti statistinius dėsningumus ir padėti mokslininkams nuspręsti, kurios hipotezės vertos tolesnių eksperimentinių tyrimų. Rezultatas – vis labiau tarpusavyje susieta mokslinių tyrimų aplinka, kurioje kompiuterija ir laboratoriniai mokslai dirba kartu.

Kodėl biomedicininiai tyrimai tampa duomenimis pagrįsti

Moksliniai tyrimai visada rėmėsi duomenimis, tačiau šiuolaikinės biomedicininės informacijos mastas iš esmės skiriasi nuo to, su kuo mokslininkai dirbo prieš kelis dešimtmečius.

Vienas šiuolaikinis eksperimentas gali duoti tūkstančius ar milijonus matavimų. Genomikos tyrimai leidžia analizuoti variacijas visose populiacijose. Ligoninės kaupia išsamias klinikines korteles, o vaizdo gavimo technologijos sukuria detalius žmogaus kūno skaitmeninius atvaizdus.

Mokslininkai taip pat gali rinkti nuolatinę informaciją naudodami nešiojamas technologijas. Širdies ritmą, miegą, fizinį aktyvumą, temperatūrą ir kitus kintamuosius galima stebėti ilgą laiką.

Atskirai šie duomenų rinkiniai teikia naudingos informacijos. Juos sujungus, sudėtingumas žymiai padidėja.

Tradiciniai statistiniai metodai tebėra būtini, tačiau dirbtinis intelektas ir mašininis mokymasis suteikia papildomų galimybių tirti ryšius dideliuose duomenų rinkiniuose. Mokslininkai gali naudoti skaičiavimo modelius, kad nustatytų dėsningumus, kurie kitu atveju liktų paslėpti tarp milijonų stebėjimų.

Mašininis mokymasis kaip mokslinis įrankis

Mašininis mokymasis yra viena iš svarbiausių technologijų, kuria grindžiami šiuolaikiniai AI pagrįsti moksliniai tyrimai.

Užuot programavę kompiuterį su fiksuotomis instrukcijomis kiekvienam galimam scenarijui, mokslininkai gali mokyti mašininio mokymosi modelius naudodami esamus duomenų rinkinius. Sistema išmoksta statistinius ryšius informacijoje ir vėliau gali klasifikuoti arba įvertinti naujų duomenų rezultatus.

Biomedicinos moksluose šie metodai turi daug galimų pritaikymų.

Algoritmai gali analizuoti medicininius vaizdus, klasifikuoti molekulių struktūras, tirti genetines variacijas ir lyginti laboratorinius matavimus. Jie taip pat gali padėti mokslininkams identifikuoti pacientų grupes ar eksperimentinius mėginius, turinčius tam tikrų bendrų savybių.

Tačiau mašininis mokymasis automatiškai nenustato, kodėl egzistuoja tam tikras biologinis ryšys.

Jei algoritmas aptinka ryšį tarp biologinio žymens ir sveikatos rezultato, mokslininkai vis tiek turi ištirti pagrindinį biologinį mechanizmą. Kompiuterinė analizė gali sukurti perspektyvias hipotezes, tačiau laboratoriniai eksperimentai ir tinkamai suplanuoti klinikiniai tyrimai tebėra būtini jų patikrinimui.

Nuo kompiuterinių prognozių iki laboratorinių eksperimentų

Vienas iš įdomiausių biomedicininių tyrimų pokyčių – vis glaudesnis ryšys tarp kompiuterinių prognozių ir fizinių eksperimentų.

Tradiciškai mokslininkai sukurdavo hipotezę, o tada suplanuodavo laboratorinius eksperimentus jai ištirti. Dirbtinis intelektas į šį procesą įveda dar vieną etapą.

Mokslininkai pirmiausia gali analizuoti didelius esamus duomenų rinkinius ir naudoti kompiuterinius modelius, kad nustatytų galimus ryšius. Šios prognozės vėliau gali nukreipti laboratorinius eksperimentus.

Įsivaizduokime, kad mokslininkai tiria biologinį receptorių, dalyvaujantį tam tikrame ląstelių procese. Kompiuterinė atranka gali ištirti tūkstančius molekulių struktūrų ir įvertinti, kurie junginiai greičiausiai sąveikaus su receptoriumi.

Užuot iš karto fiziškai tikrinę kiekvieną kandidatą, mokslininkai gali atrinkti mažesnę grupę, kurią ištirs laboratorijoje.

Eksperimentų rezultatai vėliau gali būti grąžinti į skaičiavimo modelį, taip sukuriant grįžtamojo ryšio kilpą:

Duomenys → Algoritmas → Prognozė → Eksperimentas → Nauji duomenys

Šis ciklas galėtų tapti viena iš pagrindinių ateities biomedicininių laboratorijų savybių.

AI ir vaistų atradimas

Vaistų atradimas ypač tinka duomenimis pagrįstiems tyrimams, nes teoriškai galimų molekulių skaičius yra milžiniškas.

Mokslininkai negali eksperimentiniu būdu ištirti kiekvieno potencialaus junginio. Todėl skaičiavimo metodai gali padėti susiaurinti paiešką.

Dirbtinio intelekto sistemos gali analizuoti molekulių struktūras, chemines savybes ir esamus biologinius duomenis, kad nustatytų kandidatus, kuriuos verta toliau tirti. Kai kurie modeliai gali įvertinti tokias savybes kaip molekulių sąveika ar potencialus toksiškumas, prieš mokslininkams pereinant prie brangesnių eksperimentinių etapų.

Tai nereiškia, kad algoritmas gali tiesiog „išrasti vaistą“ ir paruošti jį klinikiniam naudojimui.

Kompiuterio sukurtos prognozės reikalauja išsamaus patvirtinimo. Mokslininkai privalo ištirti farmakologiją, toksiškumą, metabolizmą, dozę, sąveikas ir daugelį kitų kintamųjų. Perspektyvūs junginiai vis tiek gali nepasiteisinti laboratorinių, gyvūnų ar klinikinių tyrimų metu.

AI vertė pirmiausia yra ta, kad ji padeda mokslininkams efektyviau orientuotis milžiniškoje paieškos erdvėje.

Plėtojantis skaitmeninis kontekstas, susijęs su tiriamais junginiais

Mokslinė informacija nebėra ribojama akademiniais žurnalais ir universitetų bibliotekomis. Paieškos varikliai, internetinės duomenų bazės, skaitmeninės bendruomenės ir komercinės svetainės padarė informaciją apie eksperimentinius ir su veikimu susijusius junginius daug lengviau prieinamą visuomenei.

Ši platesnė skaitmeninė ekosistema apima tokias platformas kaip „Dutch Sarms“, atspindinčias augantį visuomenės susidomėjimą junginių kategorijomis, kurios taip pat aptariamos farmakologijos ir veiklos tyrimų kontekste. Tačiau prieinamumas internete ir moksliniai įrodymai yra iš esmės skirtingi dalykai. Tai, kad junginys plačiai aptariamas ar komerciškai prieinamas, nereiškia, kad jis yra saugus klinikinėje praktikoje, veiksmingas ar patvirtintas reguliavimo institucijų.

Dirbtinis intelektas galiausiai gali padėti tyrėjams ir skaitytojams susiorientuoti šioje besiplečiančioje informacijos aplinkoje, sistemindamas mokslinę literatūrą, nustatydamas prieštaringus rezultatus ir atskirdamas skirtingus įrodymų lygius.

Tai gali tapti vis svarbesnė, nes internete prieinamos biomedicininės informacijos apimtis nuolat auga.

Biomarkeriai ir prognozinė analizė

Biomarkeriai – tai išmatuojamos biologinės savybės, galinčios suteikti informacijos apie fiziologinius procesus.

Pavyzdžiai apima hormonų koncentracijas, baltymus, fermentus, genetinius žymeklius ir daugybę matavimų, gautų atliekant kraujo ar audinių tyrimus.

Tradiciškai mokslininkai vienu metu galėdavo tirti palyginti nedidelį biomarkerių skaičių. Šiuolaikinės laboratorinės technologijos leidžia išmatuoti šimtus ar net tūkstančius.

Mašininis mokymasis gali padėti nustatyti žymenų derinius, kurie, atrodo, atitinka tam tikras biologines būsenas.

Užuot klausę, ar vienas matavimas leidžia prognozuoti rezultatą, mokslininkai gali tirti, ar sudėtingas modelis, apimantis daug matavimų, suteikia naudingos informacijos.

Šis požiūris ypač aktualus tokiose srityse kaip medžiagų apykaitos tyrimai, širdies ir kraujagyslių mokslas, onkologija ir endokrinologija.

AI ir hormonų tyrimai

Hormonų sistemos iliustruoja, kodėl biologiniai tyrimai gali tapti sudėtingi skaičiavimo požiūriu.

Hormonai retai veikia nepriklausomai. Jie sąveikauja per sudėtingus grįžtamojo ryšio mechanizmus, apimančius receptorius, organus, fermentus ir signalų perdavimo kelius. Amžius, genetika, miegas, mityba, vaistai ir daugybė aplinkos veiksnių gali dar labiau paveikti šias sistemas.

Didelės duomenų bazės leidžia mokslininkams tirti šiuos ryšius didesnėse populiacijose.

Vienas iš pavyzdžių – junginys, minimas endokrinologijos ir farmakologijos literatūroje, yra enklomifenas, kurio poveikis hipotalaminės-hipofizinės-gonadinės ašies veiklai ir su testosteronu susijusiems rodikliams vyrams, sergantiems antriniu hipogonadizmu, buvo tiriamas. Duomenimis pagrįsta analizė gali padėti mokslininkams palyginti skirtingų tyrimų matavimus ir nustatyti klausimus, kuriuos reikia toliau tirti, tačiau išvados dėl klinikinio naudojimo vis dar priklauso nuo tinkamai suplanuotų tyrimų ir reguliavimo institucijų vertinimo.

Šis skirtumas iliustruoja svarbų dirbtinio intelekto pagrįstos medicinos principą: kompiuterinė analizė gali atskleisti dėsningumus, tačiau tiems dėsningumams vis tiek reikalingas biologinis aiškinimas ir klinikinis patvirtinimas.

Genomika sukuria naują duomenų mastą

Nedaugelis sričių geriau iliustruoja biomedicininių duomenų mastą nei genomika.

Žmogaus genomas susideda iš milijardų DNR bazinių porų. Kai mokslininkai analizuoja tūkstančių ar milijonų žmonių genetinę informaciją, gaunami duomenų rinkiniai tampa milžiniški.

AI gali padėti mokslininkams tirti ryšius tarp genetiškų variacijų ir biologinių savybių.

Tyrėjai gali derinti genominę informaciją su laboratoriniais matavimais, ligos istorijomis ir aplinkos duomenimis, kad sukurtų išsamesnius ligų modelius.

Tai prisideda prie tiksliosios medicinos plėtros.

Užuot darant prielaidą, kad kiekvienas asmuo, kuriam nustatyta ta pati diagnozė, turi identišką biologiją, tikslioji medicina siekia suprasti skirtumus tarp pacientų ir tai, kaip tie skirtumai gali paveikti prevenciją, diagnozę ar gydymą.

AI suteikia įrankius, galinčius vienu metu analizuoti daugelį šių kintamųjų.

Medicininė vaizdinė diagnostika ir kompiuterinis regėjimas

Dirbtinio intelekto pagrįsti tyrimai taip pat keičia medicininę vaizdinę diagnostiką.

Rentgeno nuotraukos, kompiuterinės tomografijos (KT) ir magnetinio rezonanso tomografijos (MRT) vaizdai bei patologiniai preparatai yra milžiniškas vizualinės informacijos šaltinis. Kompiuterinio regėjimo sistemas galima išmokyti atpažinti šiuose vaizduose pasikartojančius modelius.

Mokslininkai tiria, ar tokios sistemos gali padėti nustatyti anomalijas, kiekybiškai įvertinti anatominius bruožus ar aptikti subtilius su liga susijusius modelius.

Algoritmas gali išryškinti įtartinas sritis vaizde, leidžiant specialistui atidžiau ištirti tas vietas.

Todėl praktiškiausia ateitis gali būti susijusi su žmonių ir dirbtinio intelekto bendradarbiavimu.

Algoritmai gali greitai apdoroti milžinišką vaizdų skaičių, o apmokyti medicinos specialistai pateikia klinikinį kontekstą, įvertina neįprastus radinius ir priima sprendimus, kuriems reikia platesnio vertinimo.

Nešiojamieji prietaisai ir nuolatiniai biologiniai duomenys

Biomedicininiai duomenų rinkiniai taip pat išeina už ligoninių ir laboratorijų ribų.

Išmanieji laikrodžiai, fitneso sekikliai ir specializuoti nešiojamieji jutikliai gali generuoti nepertraukiamus informacijos srautus apie fizinį aktyvumą ir fiziologinius rodiklius.

Tradiciniai klinikiniai matavimai dažnai pateikia tik momentinę informaciją. Pavyzdžiui, paciento širdies ritmas ar kraujospūdis gali būti matuojami vizito metu.

Nešiojamieji prietaisai gali suteikti ilgalaikę informaciją, apimančią savaites, mėnesius ar net metus.

Mokslininkams tai suteikia galimybių tirti, kaip fiziologija keičiasi laikui bėgant.

Dirbtinis intelektas gali analizuoti šiuos nepertraukiamus duomenų rinkinius ir ieškoti tendencijų, kurias rankiniu būdu gali būti sunku nustatyti. Mokslinių tyrimų sąlygomis nešiojamųjų prietaisų informacija galiausiai gali būti sujungta su laboratoriniais biologiniais žymenimis, medicininėmis kortelėmis ir genominiais duomenimis.

Rezultatas galėtų būti daug išsamesnis žmogaus fiziologijos vaizdas.

Automatizavimas ir išmanioji laboratorija

Dirbtinio intelekto pagrįsti biomedicininiai tyrimai neapsiriboja tik programine įranga.

Fizinės laboratorijos tampa vis labiau automatizuotos.

Robotų sistemos gali atlikti pasikartojančias užduotis, pavyzdžiui, dirbti su skysčiais, ruošti mėginius ir atlikti didelio našumo atranką. Prijungti laboratoriniai prietaisai gali automatiškai registruoti eksperimentinius matavimus ir perduoti juos į centralizuotas duomenų bazes.

Tada AI gali analizuoti šiuos rezultatus.

Pažangiose mokslinių tyrimų aplinkose automatizuota sistema gali atlikti eksperimentus, registruoti matavimus ir, pasitelkdama kompiuterinę analizę, nustatyti, kokios eksperimentinės sąlygos turėtų būti tiriamos toliau.

Mokslininkai ir toliau yra atsakingi už tyrimų tikslų nustatymą ir rezultatų interpretavimą, tačiau automatizavimas gali žymiai padidinti eksperimentų našumą.

Todėl laboratorija tampa tiek fizine, tiek skaitmenine aplinka.

Netinkamų duomenų problema

Spartus AI augimas nepanaikina vieno iš seniausių mokslo principų: prastos kokybės įvestiniai duomenys lemia nepatikimas išvadas.

Biomedicinos duomenų rinkiniuose gali būti trūkstamų matavimų, neteisingų žymių, nenuoseklių duomenų rinkimo metodų ir atrankos šališkumo.

Algoritmas, apmokytas remiantis klaidinga informacija, gali pateikti lygiai tokius pat klaidingus rezultatus.

Todėl mokslininkai privalo atidžiai išnagrinėti, kaip buvo surinkti duomenų rinkiniai ir ar jie tinkamai atspindi tiriamą populiaciją.

Ypač svarbus išorinis patvirtinimas.

Modelis, kuris gerai veikia naudojant vienos ligoninės, laboratorijos ar populiacijos duomenis, kitur gali veikti kitaip.

Todėl dirbtinio intelekto sistemos turėtų būti išbandytos naudojant nepriklausomus duomenų rinkinius, prieš mokslininkams darant prielaidą, kad jų išvadas galima apibendrinti.

Privatumas ir etika

Biomedicininis AI taip pat kelia svarbius etinius klausimus.

Medicininiai įrašai, genetinė informacija ir nuolatinio sveikatos stebėjimo duomenys gali būti itin jautrūs.

Mokslininkai ir sveikatos priežiūros įstaigos privalo apsaugoti šią informaciją taikydami tinkamas saugumo, valdymo ir privatumo procedūras.

Kitas susirūpinimą keliantis klausimas susijęs su skaidrumu.

Kai kurios sudėtingos AI sistemos gali pateikti prognozes, tačiau nesuteikia paprasto paaiškinimo, kaip jos prie to priėjo. Tai gali sukelti sunkumų, kai algoritmai daro įtaką medicininiams tyrimams ar klinikiniams sprendimams.

Todėl mokslininkai vis dažniau tiria paaiškinamą dirbtinį intelektą – metodus, kuriais siekiama, kad kompiuterinis mąstymas taptų suprantamesnis tyrėjams ir sveikatos priežiūros specialistams.

Mokslininkai tebėra nepakeičiami

Nepaisant nepaprastų dirbtinio intelekto pasiekimų, biomedicinos mokslo negalima tiesiog automatizuoti nuo pradžios iki pabaigos.

Algoritmai atpažįsta matematinius dėsningumus. Mokslininkai nustato, ar tie dėsningumai turi biologinę reikšmę.

Tyrėjai formuluoja hipotezes, planuoja eksperimentus, nustato trukdančius veiksnius ir vertina netikėtus rezultatus. Klinikiniai specialistai interpretuoja rezultatus atsižvelgdami į kiekvieno paciento individualią situaciją.

Žmogaus sprendimas taip pat yra būtinas priimant etinius sprendimus.

Todėl realistiškiausia ateitis – ne tai, kad dirbtinis intelektas pakeis mokslininkus, o tai, kad mokslininkai naudos vis galingesnes skaičiavimo sistemas, kad ištirtų klausimus, kurie kitu atveju būtų pernelyg sudėtingi arba reikalautų pernelyg didelio duomenų kiekio.

Ateities laboratorija

Vis sunkiau apibrėžti ribą tarp informatikos ir biomedicinos mokslų.

Ateities laboratorijose vienoje mokslinių tyrimų aplinkoje gali būti sujungta robotika, genomo sekvenavimas, automatizuota mikroskopija, tarpusavyje sujungti prietaisai, elektroniniai tyrimų įrašai ir mašininio mokymosi sistemos.

Eksperimentai duomenis generuos automatiškai. Algoritmai analizuos tą informaciją ir nustatys galimus dėsningumus. Tyrėjai šiuos rezultatus panaudos planuodami tolesnius eksperimentus.

Ši nuolatinė algoritmų ir laboratorinės mokslo srities sąveika galėtų žymiai paspartinti tam tikrų biomedicinos atradimų sričių pažangą.

Tačiau pagrindiniai mokslo principai lieka nepakitę.

Prognozės turi būti patikrintos. Rezultatai turi būti pakartoti. Koreliacijas reikia kruopščiai interpretuoti. Medicininės intervencijos turi būti pagrįstos atitinkamais įrodymais.

Dirbtinis intelektas ir didieji duomenys suteikia mokslininkams nepaprastai galingus įrankius, tačiau jų mokslinė vertė galiausiai priklauso nuo to, kaip atsakingai šie įrankiai naudojami.

Todėl dirbtinio intelekto varomų biomedicininių tyrimų plitimas nėra tiesiog istorija apie greitesnius kompiuterius. Tai reiškia platesnę transformaciją, kaip mokslininkai tiria biologiją – nuo izoliuotų eksperimentų link tarpusavyje susijusių sistemų, kuriose laboratoriniai matavimai, skaitmeninė informacija ir skaičiavimo modeliai nuolat keičiasi informacija.

Tokiomis aplinkybėmis algoritmai gali padėti nustatyti, kur mokslininkai turėtų nukreipti savo dėmesį toliau, tačiau tik kruopštus mokslinis tyrimas ir toliau bus atsakingas už tai, kad būtų nustatyta, ką iš tikrųjų reiškia gauti įrodymai.