Тестирование вновь разработанных препаратов является чрезвычайно трудоемким процессом, и зачастую его трудно оптимизировать. Недавно группа исследователей из Университета Карнеги-Меллона (CMU) решала задачу создания экспериментальной, управляемой роботом системы, которая способна была бы сократить необходимое количество проводимых тестов сразу на 70 процентов.
При работе над новым препаратом ученые должны определить последствия его применения, чтобы убедиться в эффективности воздействия и отсутствии опасных последствий для пациентов. Это чрезвычайно трудоемкие и просто не практичные для выполнения эксперименты при каждом возможном наборе биологических условий.
Вот здесь и пригодится новая роботизированная система CMU. Она использует метод машинного обучения, чтобы выбрать, какие эксперименты проводить, используя особенности данных, чтобы точно предсказать результаты экспериментов без фактического их проведения.
Система способна самостоятельно проводить выбранные эксперименты, используя роботов жидкостной обработки и автоматизированный микроскоп. Были проведены испытания с целью определения влияния 96 препаратов на 96 культивируемых клеточных клонов млекопитающих, содержащих различные, помеченные флуоресцентными метками, белки. В общей сложности было проведено 9216 экспериментов, каждый из которых позволял оценить влияния препарата, фиксируя смешивание его с целевой клеткой.
Система зафиксировала изображение всех 96 клеток, засекая расположение в них белка. Воздействие каждого препарата затем было записано таким же образом, с помощью алгоритма машинного обучения, постепенно выявляя закономерности в расположении белков, известных как фенотипы.
Группируя аналогичные изображения, машинное обучение в состоянии идентифицировать потенциально новые фенотипы без помощи исследователей. По мере накопления данных была сформирована прогностическая модель, оценивающая результаты возможных реальных экспериментов.
Всего с помощью автоматизированной системы проводилось 30 циклов тестирования, завершены 2697 экспериментов из возможных 9216. Остальные результаты были предсказаны машиной с впечатляющей точностью до 92 процентов.
Исследователи считают, что их работа свидетельствует о перспективности использования методов машинного обучения в медицинском тестировании. Они могут иметь большое влияние на решения практических и финансовых проблем в данной отрасли.
Комментарии
(0) Добавить комментарий