新的计算工具有效的免疫系统比较数据

免疫系统研究人员设计了一个计算工具来促进大流行防备。科学家们可以用这个新算法从截然不同的实验比较数据和更好地预测个体如何应对疾病。

“我们试图理解个人对抗不同的病毒,但是我们的方法的美妙之处在于你可以应用它通常在其他生物的设置,如比较不同药物或不同癌症细胞系,”说Tal Einav博士。免疫学研究所助理教授拉霍亚(LJI),也是这项新研究的领导者细胞报告方法。

这项工作地址医学研究的一个主要挑战。实验室研究传染性疾病实验室专注于同一个viruses-collect完全不同类型的数据。“每个数据集都是它自己的独立的岛”,Einav说。

一些研究人员可能研究动物模型,其它的可能研究人类患者。有些实验室专注于儿童,从免疫功能不全的老年人收集样本。位置也很重要。细胞来自患者在澳大利亚,可能采取不同的病毒与细胞来自患者组相比,在德国,只是根据以往的病毒暴露在这些地区。

“这里有一个生物学的复杂性水平。病毒总是不断发展的,变化的数据,“Einav说。”,即使两个实验室看着相同的患者,他们可能会运行不同的测试。”

与马荣密切合作,博士,博士后学者斯坦福大学Einav着手开发一个算法来帮助比较大的数据集。他的灵感来自他的背景在物理学中,一门学科,没有怎么创新实验,科学家们可以相信数据符合已知的物理定律。E总是等于mc2。

“我想做物理学家是收集所有在一起,算出统一的原则,“Einav说。

新的计算方法不需要知道精确的或每个数据集是如何获得的。相反,Einav和马利用机器学习来确定哪些数据集遵循相同的基本模式。

“你不需要告诉我,一些数据来自儿童或成人或青少年。我们只是问机器的相互数据多么相似,然后我们将类似的数据集的超集火车更好的算法,“Einav说。随着时间的推移,这些比较可能在免疫responses-patterns揭示一致原则,很难检测在许多分散的数据集,在免疫学比比皆是。

例如,研究人员可以设计更好的疫苗,找出如何人类目标病毒蛋白的抗体。这就是生物再次变得非常复杂。问题是,人类可以约一百亿亿独特的抗体。与此同时一个病毒蛋白可以比宇宙中的原子有变化。

“这就是为什么人们收集越来越大的数据集,试图探索生物学的几乎无限的操场,“Einav说。

但科学家没有无限的时间,所以他们需要一些方法来预测他们不能实际收集的数据。Einav和马已经表明,他们的新计算方法可以帮助科学家们填补这些漏洞。他们证明方法比较大型数据集可以揭示无数免疫学的新规则,这些规则可以适用于其他数据集来预测缺失的数据应该是什么样子。

新方法也彻底足以为科学家提供信心在他们的预测。在统计中,“置信区间”是一种量化的某些科学家是如何预测。

“这些预测的工作有点像Netflix算法,预测哪些电影你可能会喜欢看,“Einav说。Netflix算法寻找过去电影中你选择模式。更多的电影(或数据)你添加这些预测工具,会得到更准确的预测。

“我们无法收集所有的数据,但是我们可以做很多几个测量,“Einav说。”,不仅我们估计预测的信心,但是我们也可以告诉你进一步的实验将会最大限度地增加这种信心。对我来说,真正的胜利一直获得生物系统的深刻理解,和这个框架的目的是切实地实现这一目的。”

Einav最近加入了LJI教师在完成他的博士后训练在实验室的杰西·布鲁姆,博士弗雷德厨癌症中心。作为LJI他继续他的工作,他计划把重点放在使用计算工具来了解更多关于人类的免疫反应对许多病毒,流感开始。他期待在LJI与领先的免疫学家和数据科学家合作,包括教授Bjoern彼得斯博士。也作为一个训练有素的物理学家。

“你得到美丽的协同作用时人们来自不同的背景,“Einav说。“正确的团队,解决这些大,开放问题终于成为可能。”

参考:马Einav T, r .使用异构抗体病毒可翻译的机器学习来扩展数据集。细胞代表方法。2023:100540。doi:10.1016 / j.crmeth.2023.100540

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。