


Nature-Unterjournal: KI-Algorithmus entschlüsselt die genetischen Eigenschaften von Krebszellen mit einer Genauigkeit von 99 %!
AI hat wieder großartige Erfolge erzielt.
Dieses Mal kann ein neuer KI-Algorithmus für maschinelles Lernen „Ikarus“ den Unterschied in den genetischen Eigenschaften zwischen Krebszellen und normalen Zellen entschlüsseln.
Diese Forschung wurde vom Team der MDC-Bioinformatikerin Altuna Akalin abgeschlossen und in der Nature-Unterzeitschrift „Genome Biology“ veröffentlicht.
🏜 Diese Studie ist ihre Institution, das MDC (Max-Delbrück-Zentrum) ist außerdem eines der 16 Forschungszentren der Helmholtz-Gemeinschaft, einer der vier großen Forschungseinrichtungen in Deutschland.
Warum ist diese Forschung so wichtig, da sie einen so großen Hintergrund hat?
Um ein „gemeinsames Merkmal“ aus dem riesigen Datensatz herauszufiltern, sind Menschen definitiv nicht so gut wie KI.
Um Krebszellen von normalen Zellen zu unterscheiden, müssen Sie die gemeinsamen Merkmale zwischen ihnen herausfiltern.
Ikarus, entwickelt vom MDC-Forschungsteam, entdeckte dieses Mal gemeinsame Muster in Tumorzellen (Pattern)
, die aus einer Reihe genomischer Merkmale bestehen und bei verschiedenen Krebsarten häufig vorkommen.Darüber hinaus hat der Algorithmus auch Gentypen erkannt, die noch nie mit Krebs in Verbindung gebracht wurden.
Also stellte das Forschungsteam eine einfache Frage:
Ist es möglich, einen Klassifikator zu erstellen, der Tumorzellen bei mehreren Krebsarten korrekt von normalen Zellen unterscheidet?
Und so wurde Ikarus geboren. Es umfasst zwei Schritte:
1. Entdecken Sie umfassende Tumorzelleigenschaften in Form von Gensätzen, indem Sie mehrere professionell kommentierte Einzelzelldatensätze integrieren.
2. Trainieren Sie einen robusten logistischen Regressionsklassifikator, um Tumor und Normal zu unterscheiden Zellen, gefolgt von der netzwerkbasierten Verbreitung von Zellmarkierungen mithilfe maßgeschneiderter Zell-Zell-Netzwerke.
Teamleiter Altuna Akalin sagte:
Um einen robusten, empfindlichen und reproduzierbaren In-Silico-Tumorzellsortierer zu entwickeln, arbeiten wir bereits an mehreren Einzelproben verschiedener Krebsarten, die mit verschiedenen Sequenzierungstechnologien gewonnen wurden Zelldatensätze, um ihre Eignung für verschiedene experimentelle Umgebungen zu bestimmen.
Erstaunliche Erfolgsquote
Jan Dohmen, der Erstautor des Papiers, sagte, dass die Beschaffung geeigneter Trainingsdaten eine große Herausforderung sei, wenn Experten bereits klar zwischen gesunden und krebsartigen Zellen unterscheiden.
Datensätze zur Einzelzellsequenzierung sind oft sehr komplex.
Dohmen und Dr. Vedran Franke, Co-Leiter der Studie, sagten:
Wir haben zahlreiche Publikationen gesichtet und einige Forschungsgruppen kontaktiert, um einen ausreichenden Datensatz zu erhalten. Das Team wählte schließlich Daten von Lungenkrebs- und Darmkrebszellen aus, um den Algorithmus zu trainieren, der dann auf Datensätze von anderen Tumorarten angewendet wurde.
Während der Trainingsphase muss Ikarus eine „Signatur-Genliste“ finden, die dann zur Klassifizierung von Zellen verwendet wird. „Wir haben verschiedene Methoden ausprobiert und verfeinert, und am Ende hat Ikarus zwei Listen verwendet: eine für Krebsgene, die andere für Gene aus anderen Zellen“, erklärt Frank. Einmal trainiert, kann der Algorithmus bei anderen Krebsarten zwischen gesunden und Tumorzellen unterscheiden, beispielsweise Gewebeproben von Patienten mit Leberkrebs oder Neuroblastom.
Die Ergebnisse in anderen Proben sind aufregend, mit einer überraschend hohen Erfolgsquote von bis zu 99 %.
„Wir hatten nicht erwartet, dass es ein gemeinsames Merkmal geben würde, das Tumorzellen in verschiedenen Typen so genau definieren könnte.“ von Krebs", sagte Akalin. „Aber wir können noch nicht sagen, ob dieser Ansatz bei allen Krebsarten funktioniert“, fügte Dohmen hinzu. Um Ikarus zu einem zuverlässigen Krebsdiagnoseinstrument zu machen, wollen die Forscher nun eine Differenzierung zwischen Tumoren testen.
In ersten Tests hat Ikarus gezeigt, dass die Methode auch andere Zelltypen (und einige Subtypen) von Tumorzellen unterscheiden kann, #🎜 🎜#Nicht auf Tumor beschränkt Zellerkennung.
Es kann verwendet werden, um jeden Zellzustand zu erkennen, z. B. den Zelltyp. Die einzige Voraussetzung ist, dass die Zelle Zustand existiert in mindestens zwei unabhängigen Experimenten. Wir hoffen, diesen Ansatz umfassender zu gestalten und weiterzuentwickeln, sodass alle möglichen Zelltypen in der Biopsie unterschieden werden können.
Durch die Anwendung der automatisierten Tumorklassifizierung auf räumliche Sequenzierungsdatensätze können histologische Proben direkt mit Anmerkungen versehen werden, wodurch die automatisierte digitale Pathologie erleichtert wird.
In Krankenhäusern untersuchen Pathologen häufig nur Gewebeproben von Tumoren unter dem Mikroskop, um verschiedene Zelltypen zu identifizieren. Dies ist eine zeitaufwändige und mühsame Aufgabe. Mit Ikarus könnte dieser Schritt eines Tages zu einem vollständig automatisierten Prozess werden. Darüber hinaus wies Akalin darauf hin, dass aus den Daten Rückschlüsse auf die unmittelbare Umgebung des Tumors gezogen werden könnten. Dies kann Ärzten bei der Auswahl der besten Behandlung helfen. Die Zusammensetzung des Krebsgewebes und der Mikroumgebung gibt oft Aufschluss darüber, ob eine bestimmte Behandlung oder ein bestimmtes Medikament wirksam ist.
Darüber hinaus kann künstliche Intelligenz auch bei der Entwicklung neuer Medikamente helfen. „Ikarus ermöglicht es uns, Gene zu identifizieren, die möglicherweise zu Krebs beitragen, und dann mit neuen Therapeutika auf diese molekularen Strukturen abzuzielen“, sagte Akalin.
Das obige ist der detaillierte Inhalt vonNature-Unterjournal: KI-Algorithmus entschlüsselt die genetischen Eigenschaften von Krebszellen mit einer Genauigkeit von 99 %!. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Go Zeigersyntax und Probleme bei der Verwendung der Viper -Bibliothek bei der Programmierung in Go -Sprache. Es ist entscheidend, die Syntax und Verwendung von Zeigern zu verstehen, insbesondere in ...

Warum bewirkt die Kartendiseration in Go alle Werte zum letzten Element? In Go -Sprache begegnen Sie, wenn Sie einige Interviewfragen konfrontiert sind, häufig Karten ...

Es gibt kein einfaches und direktes kostenloses XML -zu -PDF -Tool auf Mobilgeräten. Der erforderliche Datenvisualisierungsprozess beinhaltet komplexes Datenverständnis und Rendering, und die meisten sogenannten "freien" Tools auf dem Markt haben schlechte Erfahrung. Es wird empfohlen, Computer-Seiten-Tools zu verwenden oder Cloud-Dienste zu verwenden oder Apps selbst zu entwickeln, um zuverlässigere Conversion-Effekte zu erhalten.

In der GO -Sprachentwicklung ist die ordnungsgemäße Einführung kundenspezifischer Pakete ein entscheidender Schritt. Dieser Artikel richtet sich an "Golang ...

Die XML -Verschönerung verbessert im Wesentlichen seine Lesbarkeit, einschließlich angemessener Einkerbung, Zeilenpausen und Tag -Organisation. Das Prinzip besteht darin, den XML -Baum zu durchqueren, die Eindrücke entsprechend der Ebene hinzuzufügen und leere Tags und Tags, die Text enthalten, zu verarbeiten. Pythons xml.etree.elementtree -Bibliothek bietet eine bequeme Funktion hübsch_xml (), die den oben genannten Verschönerungsprozess implementieren kann.

Die Validierung des XML -Formats umfasst die Überprüfung der Struktur und der Einhaltung von DTD oder Schema. Ein XML -Parser ist erforderlich, wie z. Der Überprüfungsprozess umfasst das Parsen der XML -Datei, das Laden des XSD -Schemas und das Ausführen der AssertValid -Methode, um eine Ausnahme auszuführen, wenn ein Fehler erkannt wird. Das Überprüfen des XML -Formats erfordert auch die Handhabung verschiedener Ausnahmen und einen Einblick in die Sprache des XSD -Schemas.

Das Char -Array speichert Zeichensequenzen in der C -Sprache und wird als char Array_name [Größe] deklariert. Das Zugriffselement wird durch den Einweisoperator weitergeleitet, und das Element endet mit dem Null -Terminator '\ 0', der den Endpunkt der Zeichenfolge darstellt. Die C -Sprache bietet eine Vielzahl von String -Manipulationsfunktionen wie Strlen (), Strcpy (), Strcat () und strcmp ().

Warum verursachen die Verwendung von Schlösser gelegentlich Panik? Schauen wir uns eine interessante Frage an: Warum in Go, auch wenn Schlösser im Code hinzugefügt werden, manchmal ...
