02 ต.ค. 2023 (ข่าวนาโนเวิร์ค) กลยุทธ์สำหรับการเขียนโปรแกรมเซลล์ใหม่เกี่ยวข้องกับการใช้การแทรกแซงทางพันธุกรรมแบบกำหนดเป้าหมายเพื่อสร้างเซลล์ให้อยู่ในสถานะใหม่ เทคนิคนี้ถือเป็นความหวังอย่างมากในการบำบัดด้วยภูมิคุ้มกัน ตัวอย่างเช่น โดยที่นักวิจัยสามารถตั้งโปรแกรมทีเซลล์ของผู้ป่วยใหม่ เพื่อให้พวกมันสามารถฆ่ามะเร็งได้มีประสิทธิภาพมากขึ้น สักวันหนึ่งแนวทางดังกล่าวอาจช่วยระบุการรักษามะเร็งที่ช่วยชีวิตหรือการบำบัดด้วยการฟื้นฟูที่ซ่อมแซมอวัยวะที่ถูกทำลายจากโรค แต่ร่างกายมนุษย์มียีนประมาณ 20,000 ยีน และการก่อกวนทางพันธุกรรมอาจเกิดจากการรวมกันของยีนหรือปัจจัยการถอดรหัสมากกว่า 1,000 ปัจจัยที่ควบคุมยีน เนื่องจากพื้นที่การค้นหากว้างใหญ่และการทดลองทางพันธุกรรมมีค่าใช้จ่ายสูง นักวิทยาศาสตร์จึงมักดิ้นรนเพื่อค้นหาสิ่งรบกวนที่เหมาะสมที่สุดสำหรับการใช้งานเฉพาะของตน นักวิจัยจาก MIT และมหาวิทยาลัยฮาร์วาร์ดได้พัฒนาวิธีการคำนวณแบบใหม่ที่สามารถระบุการรบกวนทางพันธุกรรมที่เหมาะสมที่สุดได้อย่างมีประสิทธิภาพ โดยอาศัยการทดลองจำนวนน้อยกว่าวิธีแบบเดิมมาก เทคนิคอัลกอริทึมของพวกเขาใช้ประโยชน์จากความสัมพันธ์ระหว่างเหตุและผลระหว่างปัจจัยต่างๆ ในระบบที่ซับซ้อน เช่น การควบคุมจีโนม เพื่อจัดลำดับความสำคัญของการแทรกแซงที่ดีที่สุดในการทดลองตามลำดับแต่ละรอบ นักวิจัยได้ทำการวิเคราะห์ทางทฤษฎีอย่างเข้มงวดเพื่อตรวจสอบว่าเทคนิคของพวกเขาระบุการแทรกแซงที่เหมาะสมที่สุดได้จริง ด้วยกรอบทางทฤษฎีดังกล่าว พวกเขาได้ใช้อัลกอริธึมกับข้อมูลทางชีววิทยาจริงที่ออกแบบมาเพื่อเลียนแบบการทดลองการเขียนโปรแกรมเซลล์ใหม่ อัลกอริธึมของพวกเขามีประสิทธิภาพและประสิทธิผลมากที่สุด “บ่อยครั้งที่การทดลองขนาดใหญ่ได้รับการออกแบบเชิงประจักษ์ กรอบการทำงานเชิงสาเหตุอย่างรอบคอบสำหรับการทดลองตามลำดับอาจช่วยให้สามารถระบุการแทรกแซงที่เหมาะสมที่สุดด้วยการทดลองที่น้อยลง ซึ่งจะช่วยลดต้นทุนการทดลอง” ผู้เขียนร่วมอาวุโส Caroline Uhler ศาสตราจารย์ในภาควิชาวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์ (EECS) ซึ่งเป็นผู้อำนวยการร่วมกล่าว ของ Eric และ Wendy Schmidt Center ที่ Broad Institute of MIT และ Harvard และนักวิจัยที่ Laboratory for Information and Decision Systems (LIDS) ของ MIT และ Institute for Data, Systems and Society (IDSS) เข้าร่วม Uhler บนกระดาษซึ่งปรากฏใน ปัญญาเครื่องจักรธรรมชาติ (“การเรียนรู้เชิงรุกเพื่อการออกแบบการแทรกแซงที่เหมาะสมที่สุดในแบบจำลองเชิงสาเหตุ”) เป็นผู้เขียนนำ Jiaqi Zhang นักศึกษาระดับบัณฑิตศึกษาและ Eric และ Wendy Schmidt Center Fellow; ผู้เขียนร่วมอาวุโส Themistoklis P. Sapsis ศาสตราจารย์ด้านวิศวกรรมเครื่องกลและมหาสมุทรที่ MIT และสมาชิกของ IDSS; และอื่นๆ ที่ Harvard และ MIT
การเรียนรู้ที่กระตือรือร้น
เมื่อนักวิทยาศาสตร์พยายามออกแบบการแทรกแซงที่มีประสิทธิผลสำหรับระบบที่ซับซ้อน เช่น ในการเขียนโปรแกรมเซลล์ใหม่ พวกเขามักจะทำการทดลองตามลำดับ การตั้งค่าดังกล่าวเหมาะอย่างยิ่งสำหรับการใช้วิธีการเรียนรู้ของเครื่องที่เรียกว่าการเรียนรู้แบบแอคทีฟ ตัวอย่างข้อมูลจะถูกรวบรวมและใช้เพื่อเรียนรู้แบบจำลองของระบบที่รวมเอาความรู้ที่รวบรวมมาจนถึงปัจจุบัน จากแบบจำลองนี้ ฟังก์ชันการรับข้อมูลได้รับการออกแบบ ซึ่งเป็นสมการที่ประเมินการแทรกแซงที่อาจเกิดขึ้นทั้งหมด และเลือกสิ่งที่ดีที่สุดเพื่อทดสอบในการทดลองครั้งถัดไป กระบวนการนี้ทำซ้ำจนกว่าจะมีการระบุการแทรกแซงที่เหมาะสมที่สุด (หรือทรัพยากรสำหรับการทดลองครั้งต่อไปหมดลง) “แม้ว่าจะมีฟังก์ชั่นทั่วไปหลายอย่างในการออกแบบการทดลองตามลำดับ แต่สิ่งเหล่านี้ไม่ได้ผลกับปัญหาที่ซับซ้อนดังกล่าว ซึ่งนำไปสู่การบรรจบกันที่ช้ามาก” Sapsis อธิบาย โดยทั่วไปแล้วฟังก์ชันการรับข้อมูลจะพิจารณาความสัมพันธ์ระหว่างปัจจัยต่างๆ เช่น ยีนใดที่แสดงออกร่วมกัน แต่การมุ่งเน้นไปที่ความสัมพันธ์เท่านั้นจะเพิกเฉยต่อความสัมพันธ์ด้านกฎระเบียบหรือโครงสร้างเชิงสาเหตุของระบบ ตัวอย่างเช่น การแทรกแซงทางพันธุกรรมสามารถส่งผลต่อการแสดงออกของยีนปลายน้ำเท่านั้น แต่แนวทางที่อิงสหสัมพันธ์จะไม่สามารถแยกแยะระหว่างยีนที่อยู่ต้นน้ำหรือปลายน้ำได้ “คุณสามารถเรียนรู้ความรู้เชิงสาเหตุบางส่วนจากข้อมูลและใช้ข้อมูลนั้นเพื่อออกแบบการแทรกแซงได้อย่างมีประสิทธิภาพมากขึ้น” Zhang อธิบาย นักวิจัยของ MIT และ Harvard ใช้ประโยชน์จากโครงสร้างเชิงสาเหตุที่ซ่อนอยู่นี้สำหรับเทคนิคของพวกเขา ขั้นแรก พวกเขาสร้างอัลกอริทึมอย่างระมัดระวัง เพื่อให้สามารถเรียนรู้ได้เฉพาะแบบจำลองของระบบที่คำนึงถึงความสัมพันธ์เชิงสาเหตุเท่านั้น จากนั้นนักวิจัยได้ออกแบบฟังก์ชันการได้มาเพื่อประเมินการแทรกแซงโดยอัตโนมัติโดยใช้ข้อมูลเกี่ยวกับความสัมพันธ์เชิงสาเหตุเหล่านี้ พวกเขาสร้างฟังก์ชันนี้ขึ้นมาเพื่อจัดลำดับความสำคัญของการแทรกแซงที่มีข้อมูลมากที่สุด ซึ่งหมายความว่าสิ่งเหล่านั้นมีแนวโน้มที่จะนำไปสู่การแทรกแซงที่เหมาะสมที่สุดในการทดลองครั้งต่อไป “ด้วยการพิจารณาแบบจำลองเชิงสาเหตุแทนแบบจำลองที่อิงความสัมพันธ์ เราสามารถแยกแยะการแทรกแซงบางอย่างได้แล้ว จากนั้นเมื่อใดก็ตามที่คุณได้รับข้อมูลใหม่ คุณสามารถเรียนรู้แบบจำลองเชิงสาเหตุที่แม่นยำยิ่งขึ้น และด้วยเหตุนี้จึงทำให้พื้นที่ของการแทรกแซงลดลงไปอีก” Uhler อธิบาย พื้นที่การค้นหาที่เล็กลงนี้ ควบคู่ไปกับการมุ่งเน้นเป็นพิเศษของฟังก์ชันการรับข้อมูลในการแทรกแซงที่มีข้อมูลมากที่สุด คือสิ่งที่ทำให้แนวทางของพวกเขามีประสิทธิภาพมาก นักวิจัยได้ปรับปรุงฟังก์ชั่นการรับข้อมูลของพวกเขาเพิ่มเติมโดยใช้เทคนิคที่เรียกว่าการถ่วงน้ำหนักผลลัพธ์ ซึ่งได้รับแรงบันดาลใจจากการศึกษาเหตุการณ์ที่รุนแรงในระบบที่ซับซ้อน วิธีการนี้จะเน้นการแทรกแซงอย่างรอบคอบซึ่งมีแนวโน้มว่าจะเข้าใกล้การแทรกแซงที่เหมาะสมที่สุดมากขึ้น “โดยพื้นฐานแล้ว เรามองว่าการแทรกแซงที่เหมาะสมที่สุดนั้นเป็น 'เหตุการณ์ที่รุนแรง' ภายในขอบเขตของการแทรกแซงที่เป็นไปได้และด้อยประสิทธิภาพทั้งหมด และใช้แนวคิดบางอย่างที่เราพัฒนาขึ้นสำหรับปัญหาเหล่านี้” Sapsis กล่าวเพิ่มประสิทธิภาพ
พวกเขาทดสอบอัลกอริธึมโดยใช้ข้อมูลทางชีววิทยาจริงในการทดลองการเขียนโปรแกรมเซลล์จำลองใหม่ สำหรับการทดสอบนี้ พวกเขาค้นหาการก่อกวนทางพันธุกรรมซึ่งจะส่งผลให้เกิดการเปลี่ยนแปลงในการแสดงออกของยีนโดยเฉลี่ยตามที่ต้องการ ฟังก์ชันการได้มาซึ่งระบุการแทรกแซงได้ดีกว่าวิธีการพื้นฐานอย่างสม่ำเสมอตลอดทุกขั้นตอนในการทดลองแบบหลายขั้นตอน “หากคุณตัดการทดลองออกไปไม่ว่าจะในขั้นตอนใดก็ตาม การทดลองของเราจะยังคงมีประสิทธิภาพมากกว่าพื้นฐาน ซึ่งหมายความว่าคุณสามารถทำการทดสอบน้อยลงและได้ผลลัพธ์เท่าเดิมหรือดีกว่า” Zhang กล่าว ขณะนี้นักวิจัยกำลังทำงานร่วมกับนักทดลองเพื่อใช้เทคนิคของพวกเขาในการเขียนโปรแกรมเซลล์ใหม่ในห้องปฏิบัติการ วิธีการของพวกเขายังสามารถนำไปใช้กับปัญหาภายนอกจีโนมิกส์ เช่น การระบุราคาที่เหมาะสมที่สุดสำหรับผลิตภัณฑ์อุปโภคบริโภค หรือการควบคุมผลป้อนกลับที่ดีที่สุดในการประยุกต์ใช้กลศาสตร์ของไหล ในอนาคต พวกเขาวางแผนที่จะปรับปรุงเทคนิคเพื่อการเพิ่มประสิทธิภาพให้เหนือกว่าที่ต้องการให้ตรงกับค่าเฉลี่ยที่ต้องการ นอกจากนี้ วิธีการของพวกเขายังสันนิษฐานว่านักวิทยาศาสตร์เข้าใจความสัมพันธ์เชิงสาเหตุในระบบของพวกเขาแล้ว แต่งานในอนาคตก็สามารถสำรวจวิธีใช้ AI เพื่อเรียนรู้ข้อมูลนั้นได้เช่นกัน- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://www.nanowerk.com/news2/biotech/newsid=63752.php
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- ][หน้า
- 000
- 1
- 10
- 11
- 20
- 7
- 8
- 9
- a
- สามารถ
- เกี่ยวกับเรา
- ลงชื่อเข้าใช้
- ถูกต้อง
- การครอบครอง
- คล่องแคล่ว
- นอกจากนี้
- มีผลต่อ
- AI
- ขั้นตอนวิธี
- อัลกอริทึม
- อัลกอริทึม
- ทั้งหมด
- อนุญาต
- แล้ว
- ด้วย
- an
- การวิเคราะห์
- และ
- ใด
- ปรากฏ
- การใช้งาน
- การใช้งาน
- ประยุกต์
- ใช้
- เข้าใกล้
- เป็น
- AS
- ถือว่า
- At
- ผู้เขียน
- อัตโนมัติ
- เฉลี่ย
- ตาม
- baseline
- BE
- เพราะ
- ที่ดีที่สุด
- ดีกว่า
- ระหว่าง
- เกิน
- ร่างกาย
- กว้าง
- แต่
- by
- ที่เรียกว่า
- CAN
- โรคมะเร็ง
- ระมัดระวัง
- รอบคอบ
- เซลล์
- โทรศัพท์มือถือ
- ศูนย์
- บาง
- ใกล้ชิด
- การผสมผสาน
- ซับซ้อน
- ความซับซ้อน
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- ดำเนินการ
- พิจารณา
- พิจารณา
- เสมอต้นเสมอปลาย
- ผู้บริโภค
- สินค้าอุปโภคบริโภค
- ควบคุม
- การลู่เข้า
- ความสัมพันธ์
- แพง
- ค่าใช้จ่าย
- ได้
- ควบคู่
- ที่สร้างขึ้น
- ขณะนี้
- ตัด
- ข้อมูล
- วันที่
- การตัดสินใจ
- แผนก
- ออกแบบ
- ได้รับการออกแบบ
- ที่ต้องการ
- กำหนด
- พัฒนา
- DID
- เห็นความแตกต่าง
- แต่ละ
- มีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- วิศวกรรมไฟฟ้า
- เน้น
- การเปิดใช้งาน
- วิศวกร
- ชั้นเยี่ยม
- เสริม
- เหตุการณ์
- ทุกๆ
- การทดลอง
- การทดลอง
- การทดลอง
- อธิบาย
- สำรวจ
- การแสดงออก
- สุดโต่ง
- ปัจจัย
- ไกล
- ข้อเสนอแนะ
- มนุษย์
- น้อยลง
- หา
- ชื่อจริง
- ของเหลว
- โฟกัส
- โดยมุ่งเน้น
- สำหรับ
- กรอบ
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- ฟังก์ชั่น
- กองทุน
- ต่อไป
- อนาคต
- รวมตัวกัน
- จีโนม
- ฟังก์ชั่น
- ได้รับ
- สำเร็จการศึกษา
- ยิ่งใหญ่
- ฮาร์วาร์
- มหาวิทยาลัยฮาร์วาร์ด
- มี
- ช่วย
- ถือ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- เป็นมนุษย์
- ในอุดมคติ
- ความนึกคิด
- ความคิด
- ระบุ
- แยกแยะ
- ระบุ
- วัคซีนภูมิแพ้
- การปรับปรุง
- in
- รวม
- ข้อมูล
- ให้ข้อมูล
- แรงบันดาลใจ
- ตัวอย่าง
- แทน
- สถาบัน
- การแทรกแซง
- การแทรกแซง
- เข้าไป
- ที่เกี่ยวข้องกับการ
- IT
- การร่วม
- jpg
- นักฆ่า
- ความรู้
- ที่รู้จักกัน
- ห้องปฏิบัติการ
- ห้องปฏิบัติการ
- ขนาดใหญ่
- นำ
- ชั้นนำ
- เรียนรู้
- การเรียนรู้
- ใช้ประโยชน์
- ยกระดับ
- กดไลก์
- น่าจะ
- เครื่อง
- ทำให้
- การจับคู่
- อาจ..
- หมายความ
- ความหมาย
- วิธี
- เชิงกล
- กลศาสตร์
- สมาชิก
- วิธี
- วิธีการ
- เอ็มไอที
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- มีประสิทธิภาพมากขึ้น
- มากที่สุด
- มาก
- ใหม่
- ถัดไป
- จำนวน
- มหาสมุทร
- of
- ปิด
- มักจะ
- on
- ONE
- เพียง
- ดีที่สุด
- or
- ผลิตภัณฑ์อื่นๆ
- ออก
- เอาท์พุต
- ด้านนอก
- เกิน
- กระดาษ
- ในสิ่งที่สนใจ
- ดำเนินการ
- คัดสรร
- สถานที่
- แผนการ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เป็นไปได้
- ที่มีศักยภาพ
- ราคา
- จัดลำดับความสำคัญ
- จัดลำดับความสำคัญ
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- ผลิตภัณฑ์
- ศาสตราจารย์
- คำมั่นสัญญา
- จริง
- ลด
- ที่เกิดใหม่
- ควบคุม
- การควบคุม
- หน่วยงานกำกับดูแล
- ความสัมพันธ์
- ความสัมพันธ์
- ซ่อมแซม
- ซ้ำแล้วซ้ำอีก
- นักวิจัย
- นักวิจัย
- แหล่งข้อมูล
- ผล
- ผลสอบ
- เข้มงวด
- ปัดเศษ
- กฎ
- วิ่ง
- เดียวกัน
- พูดว่า
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ค้นหา
- แสวงหา
- การตั้งค่า
- หลาย
- เปลี่ยน
- ช้า
- มีขนาดเล็กกว่า
- So
- จนถึงตอนนี้
- สังคม
- บาง
- สักวันหนึ่ง
- แสวงหา
- ช่องว่าง
- พิเศษ
- ระยะ
- สถานะ
- ขั้นตอน
- ยังคง
- กลยุทธ์
- โครงสร้าง
- การต่อสู้
- นักเรียน
- ศึกษา
- ภายหลัง
- อย่างเช่น
- ระบบ
- ระบบ
- เป้าหมาย
- ทดสอบ
- การทดสอบ
- กว่า
- ที่
- พื้นที่
- ก้าวสู่อนาคต
- ของพวกเขา
- แล้วก็
- ตามทฤษฎี
- การรักษา
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- เหล่านั้น
- ตลอด
- ไปยัง
- ไปทาง
- แบบดั้งเดิม
- การรักษา
- การทดลอง
- การทดลอง
- ลอง
- เป็นปกติ
- พื้นฐาน
- เข้าใจ
- มหาวิทยาลัย
- จนกระทั่ง
- ใช้
- มือสอง
- การใช้
- กว้างใหญ่
- มาก
- รายละเอียด
- we
- ดี
- คือ
- อะไร
- เมื่อ
- เมื่อไรก็ตาม
- ที่
- WHO
- กับ
- ภายใน
- งาน
- การทำงาน
- จะ
- เธอ
- ลมทะเล
- Zhang