Aproveitando AI para curar o câncer

Shagun Maheshwari Blocked Unblock Seguir Seguindo 31 de dezembro de 2018

O câncer é uma das principais causas de morte no mundo. Isso não é uma surpresa.

Espera-se que 1 em cada 2 canadenses desenvolvam câncer em sua vida, isso é uma convulsão de 18.500.000 pessoas que se espera que seja diagnosticada com essa doença mortal. Para não mencionar que 1 em cada 4 canadenses estão previstos para morrer de câncer durante sua vida, são 9.250.000 pessoas.

Recentemente, muitos avanços em tecnologias como a Inteligência Artificial estão ajudando os pesquisadores a revolucionar o futuro da saúde, desde a identificação de padrões em imagens médicas até a previsão de novas proteínas-alvo para drogas! Essa tecnologia está mostrando uma capacidade significativa de mudar a vida de milhões de pessoas em todo o mundo.

Eu aproveitei a tecnologia da IA e mergulhei na subseção chamada Generative Models. Em modelos gerativos, concentrei-me em autoencodificadores variacionais especificamente por sua capacidade de:

a) Aprenda uma representação subjacente significativa de dados

b) Desengate as fontes de variação das diferentes classes de dados

Devido a esses fatores, eu fui capaz de construir um autoencoder variacional para identificar e extrair sinais biológicos conhecidos e desconhecidos dentro de um conjunto de dados de 5000 genes expressos variavelmente .

O conjunto de dados resultou do The Cancer Genome Atlas, que analisou mais de 10 mil tumores em mais de 33 diferentes tipos de câncer, revelando diferentes características genômicas, como níveis de expressão para vários genes.

Níveis de expressão gênica são a medida de todos os genes ativos e inativos em uma amostra. Se o gene é ativo, isso significa que o processo, de codificação do RNA com sua informação (transcrição) e do RNA que codifica uma proteína (tradução), é realizado. Níveis de expressão gênica capturam informações substanciais sobre o estado de um tumor. Obviamente, nem todos os genes são expressos o tempo todo, de modo que os genes expressos ajudam os pesquisadores a identificar quais vias genéticas específicas devem ser direcionadas ao curar uma determinada doença. O processo de expressão gênica é extremamente importante, pois o produto da expressão gênica, uma proteína, determina a função das células. Identificar os genes que são altamente expressos em diferentes tumores e identificar o efeito biológico de sua expressão gênica em um paciente é extremamente crucial para projetar tratamentos específicos para ajudar a curar doenças como o câncer.

O autoencoder variacional que construí foi capaz de compactar com sucesso os dados de entrada e gerar novamente dados semelhantes de 5000 genes e seus níveis de expressão. Também foi capaz de desvincular fontes de variação biológica nos dados, bem como identificar a contribuição de genes específicos que causam padrões biológicos disparatados, que poderiam ter levado ao estado canceroso de um tumor.

Este post vai ser composto de duas seções.

Parte 1) Componentes – sob o capô de um VAE

Parte 2) Interpretação – extração / identificação de sinais biológicos significativos dentro dos dados

Texto original em inglês.

Aproveitando AI para curar o câncer

Shagun Maheshwari Blocked Unblock Seguir Seguindo 31 de dezembro de 2018

O câncer é uma das principais causas de morte no mundo. Isso não é uma surpresa.

Espera-se que 1 em cada 2 canadenses desenvolvam câncer em sua vida, isso é uma convulsão de 18.500.000 pessoas que se espera que seja diagnosticada com essa doença mortal. Para não mencionar que 1 em cada 4 canadenses estão previstos para morrer de câncer durante sua vida, são 9.250.000 pessoas.

Recentemente, muitos avanços em tecnologias como a Inteligência Artificial estão ajudando os pesquisadores a revolucionar o futuro da saúde, desde a identificação de padrões em imagens médicas até a previsão de novas proteínas-alvo para drogas! Essa tecnologia está mostrando uma capacidade significativa de mudar a vida de milhões de pessoas em todo o mundo.

Eu aproveitei a tecnologia da IA e mergulhei na subseção chamada Generative Models. Em modelos gerativos, concentrei-me em autoencodificadores variacionais especificamente por sua capacidade de:

a) Aprenda uma representação subjacente significativa de dados

b) Desengate as fontes de variação das diferentes classes de dados

Devido a esses fatores, eu fui capaz de construir um autoencoder variacional para identificar e extrair sinais biológicos conhecidos e desconhecidos dentro de um conjunto de dados de 5000 genes expressos variavelmente .

O conjunto de dados resultou do The Cancer Genome Atlas, que analisou mais de 10 mil tumores em mais de 33 diferentes tipos de câncer, revelando diferentes características genômicas, como níveis de expressão para vários genes.

Níveis de expressão gênica são a medida de todos os genes ativos e inativos em uma amostra. Se o gene é ativo, isso significa que o processo, de codificação do RNA com sua informação (transcrição) e do RNA que codifica uma proteína (tradução), é realizado. Níveis de expressão gênica capturam informações substanciais sobre o estado de um tumor. Obviamente, nem todos os genes são expressos o tempo todo, de modo que os genes expressos ajudam os pesquisadores a identificar quais vias genéticas específicas devem ser direcionadas ao curar uma determinada doença. O processo de expressão gênica é extremamente importante, pois o produto da expressão gênica, uma proteína, determina a função das células. Identificar os genes que são altamente expressos em diferentes tumores e identificar o efeito biológico de sua expressão gênica em um paciente é extremamente crucial para projetar tratamentos específicos para ajudar a curar doenças como o câncer.

O autoencoder variacional que construí foi capaz de compactar com sucesso os dados de entrada e gerar novamente dados semelhantes de 5000 genes e seus níveis de expressão. Também foi capaz de desvincular fontes de variação biológica nos dados, bem como identificar a contribuição de genes específicos que causam padrões biológicos disparatados, que poderiam ter levado ao estado canceroso de um tumor.

Este post vai ser composto de duas seções.

Parte 1) Componentes – sob o capô de um VAE

Parte 2) Interpretação – extração / identificação de sinais biológicos significativos dentro dos dados