MIT -Forscher haben einen neuen theoretischen Rahmen für die Untersuchung der Mechanismen von Behandlungswechselwirkungen entwickelt. Ihr Ansatz ermöglicht es Wissenschaftlern, effizient zu schätzen, wie sich die Kombinationen von Behandlungen auf eine Gruppe von Einheiten wie Zellen auswirken, sodass ein Forscher weniger kostspielige Experimente durchführen kann und gleichzeitig genauere Daten sammelt.
Um zu untersuchen, wie miteinander verbundene Gene das Wachstum von Krebszellen beeinflussen, muss ein Biologe möglicherweise eine Kombination von Behandlungen verwenden, um mehrere Gene gleichzeitig abzuzielen. Da es jedoch Milliarden potenzieller Kombinationen für jede Runde des Experiments geben könnten, kann die Auswahl einer Untergruppe von Kombinationen zum Testen die Daten, die ihr Experiment erzeugt, verzerrt.
Im Gegensatz dazu berücksichtigt das neue Framework das Szenario, in dem der Benutzer ein unvoreingenommenes Experiment effizient entwerfen kann, indem er alle Behandlungen parallel zugewiesen und das Ergebnis steuern kann, indem die Price jeder Behandlung angepasst wird.
Die MIT-Forscher erwiesen sich theoretisch eine nahezu optimale Strategie in diesem Rahmen und führten eine Reihe von Simulationen durch, um sie in einem Mehrfach-Experiment zu testen. Ihre Methode minimierte die Fehlerrate in jeder Instanz.
Diese Technik könnte dem Wissenschaftlern eines Tages dazu beitragen, Krankheitsmechanismen besser zu verstehen und neue Medikamente zur Behandlung von Krebs oder genetischen Störungen zu entwickeln.
“We have launched an idea folks can suppose extra about as they research the optimum method to choose combinatorial remedies at every spherical of an experiment. Our hope is this will sometime be used to resolve biologically related questions,” says graduate scholar Jiaqi Zhang, an Eric and Wendy Schmidt Heart Fellow and co-lead writer of a Papier auf diesem experimentellen Entwurfsgerüst.
Sie wird von der Co-Lead-Autorin Divya Shyamal, einer MIT-Studentin, auf der Zeitung begleitet. und Senior -Autorin Caroline Uhler, der Professor für Ingenieurwesen von Andrew und Erna Viterbi in EECS und des MIT -Instituts für Daten, Systeme und Gesellschaft (IDSS), der auch Direktor des Eric und Wendy Schmidt Heart und Forscher des MIT -Labors für Informations- und Entscheidungssysteme (LIDS) ist. Die Forschung wurde kürzlich auf der Internationalen Konferenz über maschinelles Lernen vorgestellt.
Gleichzeitige Behandlungen
Behandlungen können auf komplexe Weise miteinander interagieren. Zum Beispiel, ein Wissenschaftler, der versucht zu bestimmen, ob ein bestimmtes Gen zu einem bestimmten Krankheitssymptom beiträgt, muss möglicherweise gleichzeitig auf mehrere Gene abzielen, um die Auswirkungen zu untersuchen.
Zu diesem Zweck verwenden Wissenschaftler sogenannte kombinatorische Störungen, bei denen sie mehrere Behandlungen gleichzeitig auf dieselbe Zellengruppe anwenden.
„Kombinatorische Störungen geben Ihnen ein hochrangiges Netzwerk darüber, wie verschiedene Gene interagieren, was ein Verständnis dafür bietet, wie eine Zell funktioniert“, erklärt Zhang.
Da genetische Experimente kostspielig und zeitaufwändig sind, möchte der Wissenschaftler die beste Untergruppe von Behandlungskombinationen auswählen, die aufgrund der großen Anzahl von Möglichkeiten eine starke Herausforderung darstellen.
Das Auswählen einer suboptimalen Untergruppe kann verzerrte Ergebnisse erzielen, indem sich der Benutzer nur auf Kombinationen konzentriert, die im Voraus ausgewählt wurden.
Die MIT -Forscher näherten sich dieses Drawback unterschiedlich, indem sie einen probabilistischen Rahmen betrachteten. Anstatt sich auf eine ausgewählte Untergruppe zu konzentrieren, nimmt jede Einheit zufällig Kombinationen von Behandlungen auf, die auf benutzerdefinierten Dosierungsniveaus für jede Behandlung basieren.
Der Benutzer legt die Dosierungswerte basierend auf dem Ziel seines Experiments fest – möglicherweise möchte dieser Wissenschaftler die Auswirkungen von vier verschiedenen Arzneimitteln auf das Zellwachstum untersuchen. Der probabilistische Ansatz erzeugt weniger verzerrte Daten, da er das Experiment nicht auf eine vorgegebene Untergruppe von Behandlungen beschränkt.
Die Dosierungswerte sind wie Wahrscheinlichkeiten, und jede Zelle erhält eine zufällige Kombination von Behandlungen. Wenn der Benutzer eine hohe Dosierung festlegt, ist es wahrscheinlicher, dass die meisten Zellen diese Behandlung in Anspruch nehmen. Eine kleinere Untergruppe von Zellen nimmt diese Behandlung auf, wenn die Dosierung niedrig ist.
„Von dort aus ist die Frage, wie wir die Dosierungen so entwerfen, dass wir die Ergebnisse so genau wie möglich schätzen können? Hier kommt unsere Theorie ins Spiel“, fügt Shyamal hinzu.
Ihr theoretischer Rahmen zeigt den besten Weg, um diese Dosierungen zu entwerfen, sodass man am besten über das Merkmal oder das Merkmal lernen kann, das sie studieren.
Nach jeder Runde des Experiments sammelt der Benutzer die Ergebnisse und füttert diese wieder in den experimentellen Rahmen. Es wird die ideale Dosierungsstrategie für die nächste Runde ausgeben, und so weiter, die Strategie aktiv an mehrere Runden anzupassen.
Optimierung der Dosierungen, minimieren Fehler
Die Forscher haben bewiesen, dass ihr theoretischer Ansatz optimale Dosierungen erzeugt, selbst wenn die Dosierungswerte durch eine begrenzte Versorgung mit Behandlungen oder wenn Rauschen in den experimentellen Ergebnissen in jeder Runde variiert.
In Simulationen hatte dieser neue Ansatz die niedrigste Fehlerrate beim Vergleich der geschätzten und tatsächlichen Ergebnisse von Mehrfach -Experimenten und übertriffte zwei Basismethoden.
In Zukunft möchten die Forscher ihren experimentellen Rahmen verbessern, um die Einheiten zwischen Einheiten und die Tatsache zu berücksichtigen, dass bestimmte Behandlungen zu einer Auswahlverzerrung führen können. Sie möchten diese Technik auch in einer echten experimentellen Umgebung anwenden.
„Dies ist ein neuer Ansatz für ein sehr interessantes Drawback, das schwer zu lösen ist. Mit diesem neuen Rahmen in der Hand können wir jetzt mehr darüber nachdenken, wie es am besten zum Entwerfen von Experimenten für viele verschiedene Anwendungen entworfen wird“, sagt Zhang.
Diese Forschung wird teilweise durch das Programm Superior Undergraduate Analysis Alternatives am MIT, Apple, den Nationwide Institutes of Well being, dem Workplace of Naval Analysis, dem Division of Vitality, dem Eric und dem Wendy Schmidt Heart am Broad Institute und einem Simons Investigator Award finanziert.