ASCOLTA I NOSTRI PODCAST SU SPOTIFY
I ricercatori della Mayo Clinic hanno aperto la strada a uno strumento di intelligenza artificiale (AI), chiamato OmicsFootPrint, che aiuta a convertire grandi quantità di dati biologici complessi in immagini circolari bidimensionali.
I ricercatori della Mayo Clinic hanno aperto la strada a uno strumento di intelligenza artificiale (AI), chiamato OmicsFootPrint, che aiuta a convertire grandi quantità di dati biologici complessi in immagini circolari bidimensionali.
L’omia è lo studio di geni, proteine e altri dati molecolari per aiutare a scoprire come funziona il corpo e come si sviluppano le malattie.
Mappando questi dati, OmicsFootPrint può fornire a medici e ricercatori un nuovo modo di visualizzare i modelli di malattie, come il cancro e i disturbi neurologici, che possono aiutare a guidare terapie personalizzate.
Può anche fornire un modo intuitivo per esplorare i meccanismi e le interazioni della malattia.
I dettagli dello strumento sono stati pubblicati in un nuovo studio pubblicato su Nucleic Acids Research.
“I dati diventano più potenti quando puoi vedere la storia che stanno raccontando”, afferma Krishna Rani Kalari, autore principale dello studio e professore associato di informatica biomedica presso il Center for Individualized Medicine della Mayo Clinic. “L’OmicsFootPrint potrebbe aprire le porte a scoperte che non siamo stati in grado di raggiungere prima”.
Semplificazione di dati complessi
I geni fungono da manuale di istruzioni del corpo, mentre le proteine eseguono tali istruzioni per mantenere le cellule in funzione.
A volte, i cambiamenti in queste istruzioni, chiamati mutazioni, possono interrompere questo processo e portare alla malattia.
OmicsFootPrint aiuta a dare un senso a queste complessità trasformando i dati, come l’attività genica, le mutazioni e i livelli di proteine, in mappe circolari colorate che offrono un quadro più chiaro di ciò che sta accadendo nel corpo.
Nel loro studio, i ricercatori hanno utilizzato OmicsFootPrint per analizzare la risposta ai farmaci e i dati multi-omici sul cancro.
Lo strumento ha distinto tra due tipi di cancro al seno – carcinomi lobulari e duttali – con una precisione media dell’87%.
Quando applicato al cancro del polmone, ha dimostrato un’accuratezza superiore al 95% nell’identificare due tipi: adenocarcinoma e carcinoma a cellule squamose.
Piccoli set di dati portano grandi informazioni
Lo studio ha dimostrato che la combinazione di diversi tipi di dati molecolari produce risultati più accurati rispetto all’utilizzo di un solo tipo di dati.
OmicsFootPrint mostra anche il potenziale nel fornire risultati significativi anche con set di dati limitati.
Utilizza metodi avanzati di intelligenza artificiale che apprendono dai dati esistenti e applicano tali conoscenze a nuovi scenari, un processo noto come transfer learning.
In un esempio, ha aiutato i ricercatori a raggiungere un’accuratezza superiore al 95% nell’identificazione dei sottotipi di cancro del polmone utilizzando meno del 20% del volume di dati tipico.
“Questo approccio potrebbe essere utile per la ricerca anche con campioni di piccole dimensioni o studi clinici”, afferma il dottor Kalari.
Per migliorare l’accuratezza e le informazioni approfondite, il framework OmicsFootPrint utilizza anche un metodo avanzato chiamato SHAP (SHapley Additive exPlanations).
SHAP evidenzia i marcatori, i geni o le proteine più importanti che influenzano i risultati per aiutare i ricercatori a comprendere i fattori che guidano i modelli di malattia.
Dalla ricerca alla pratica clinica
Oltre alla ricerca, OmicsFootPrint è progettato per l’uso clinico.
Comprime grandi set di dati biologici in immagini compatte che richiedono solo il 2% dello spazio di archiviazione originale.
Ciò potrebbe rendere le immagini facili da integrare nelle cartelle cliniche elettroniche per guidare la cura del paziente in futuro.
Il team di ricerca prevede di espandere OmicsFootPrint per studiare altre malattie, comprese le malattie neurologiche e altri disturbi complessi.
Stanno anche lavorando ad aggiornamenti per rendere lo strumento ancora più accurato e flessibile, inclusa la capacità di trovare nuovi marcatori di malattia e bersagli farmacologici.
