Ето как AI може да помогне за разбирането на бактериите на червата
бактериите на червата се считат за ключов фактор при много проблеми, свързани със здравето. Броят и разнообразието от тях обаче са огромни, както и начините, по които те взаимодействат с химията на тялото и помежду си.
За първи път изследователи от Токио университет използваха специален вид изкуствен интелект, за да се появят байесова невронна мрежа, за да проучат набор от данни за бактериите на червата, за да се намерят връзки, които текущите анализиращи инструменти не могат да не се идентифицират спрямо 30 трили, за да намерят връзки, които текущите невронни инструменти не могат да проучат набор от бактерии за бактерии, за да се намерят, че текущите аналитични инструменти не могат да не могат да се идентифицират. 40 трилиона клетки, но червата ви съдържат около 100 трилиона бактерии на червата. Технически вие носите повече клетки, които не сте от вас. Храна за размисъл. И като говорим за храна, тези бактерии на червата са, разбира се, са отговорни за някои аспекти на храносмилането, макар че това, което е изненадващо за някои, е как те могат да се свържат и с много други аспекти на човешкото здраве.
Бактериите са невероятно разнообразни и също така произвеждат и променят недоумения брой на различните химикали, наречени метаболити. Те действат като молекулярни пратеници, проникващи в тялото ви, засягайки всичко от имунната ви система и метаболизма до вашата мозъчна функция и настроение. Излишно е да казваме, че трябва да спечелим много чрез разбиране на бактериите на червата.
"Проблемът е, че ние само започваме да разбираме кои бактерии произвеждат кои метаболити на човека и как тези взаимоотношения се променят в различните заболявания", заяви изследователят на проекта да се развива от лабораторията на Tsunoda. Специфична бактерия за получаване на полезни човешки метаболити или проектиране на целеви терапии, които променят тези метаболити за лечение на заболявания. "
Има безспорно много и разнообразни бактерии и метаболити и следователно далеч повече връзки между тези неща. Събирането на данни само за това е монументално начинание, но премахването на тези данни за намиране на интересни модели, които биха могли да предадат някаква полезна функция, е още повече. За да направят това, Данг и неговият екип решиха да проучат използването на най-съвременните инструменти за изкуствен интелект (AI).
"Нашата система, VbayesMM, автоматично разграничава ключовите играчи, които значително влияят на метаболитите от огромния фон на по-малко съответните микроби, като същевременно признават несигурността относно предвидените връзки, а не, отколкото да предоставят прекомерно увереност, но потенциално да признаят несигурността за предвидените връзки. „Когато се тестват на реални данни от нарушение на съня, затлъстяване и изследвания на рака, нашият подход постоянно превъзхожда съществуващите методи и идентифицира специфични бактериални семейства, които се привеждат в съответствие с известни биологични процеси, като дават увереност, че той открива реални биологични отношения, а не безсмислени статистически модели.“
, тъй като vbayesmm може да се справи и съобщава проблемите на несигурността, той дава по -голяма доверие, отколкото не може да се справи и съобщава несигурността. Въпреки че системата е оптимизирана да се справи с тежки аналитични натоварвания, добиването на такива огромни набори от данни все още се предлага с висока изчислителна цена; Въпреки това, с течение на времето, това ще стане все по -малко бариера за желаещите да го използват. Понастоящем други ограничения включват, че системата се възползва от това да има повече данни за бактериите на червата, отколкото метаболитите, които произвеждат; Когато няма достатъчно данни за бактериите, точността пада. Също така, Vbayesmm предполага, че микробите действат независимо, но в действителност бактериите на червата си взаимодействат по невероятно сложен брой начини.
"Ние планираме да работим с по -изчерпателни химически набори от данни, които обхващат пълния обхват на бактериални продукти, въпреки че това създава нови предизвикателства в определянето на химикалите от бактерии, човешкото тяло или външни източници, като диета," казани от Dang. „Ние също така се стремим да направим VBayesMM по -здрав при анализиране на различни популации на пациентите, включване на бактериални„ родословно дърво “връзки, за да се направи по -добри прогнози и допълнително намаляване на изчислителното време, необходимо за анализ. За клиничните приложения, крайната цел е да се идентифицират специфични бактериални цели за лечение или диетични интервюта, които всъщност биха могли да помогнат на пациентите, да се движат от основни изследвания към практически приложения.
