CMU-Forscher stellen Roboter-gesteuerten experimentellen system zu reduzieren drug-discovery-Kosten

Forscher von der Carnegie Mellon Universität haben den ersten Roboter angetrieben experimentellen system zu bestimmen, die Auswirkungen der eine große Anzahl von Medikamenten auf viele Proteine, wodurch die Zahl der notwendigen Experimente von 70 Prozent.

Das Modell, vorgestellt in der Fachzeitschrift eLife, verwendet einen Ansatz dazu führen könnte, dass genaue Vorhersagen der Wechselwirkungen zwischen neuartiger Medikamente und Ihre Ziele, die Reduzierung der Kosten für die drug discovery.

„Die biomedizinische Wissenschaftler investiert viel Aufwand in so dass es leichter zu führen Sie zahlreiche Experimente, die schnell und Billig“, sagt führen Autor Armaghan Naik, eine Spur Fellow in der CMU-s Computational Biology Department.

„Allerdings können wir einfach nicht durchführen, ein experiment, für jede mögliche Kombination von biologischen Bedingungen, wie die genetische mutation, und die Zelle geben. Forscher haben daher die Wahl hätte, ein paar Bedingungen oder Ziele zu testen, erschöpfend, oder Sie versuche selbst. Die Frage ist, welche Experimente wollen Sie Holen?“

Naik sagt, dass eine sorgfältige balance zwischen der Durchführung der Experimente vorhergesagt werden können selbstbewusst und die, die nicht ist eine Herausforderung für den Menschen, denn es erfordert nachdenken über eine enorme Menge von hypothetischen Ergebnissen bei der gleichen Zeit.

Um dieses problem anzugehen, die Forschungs-team hat wie zuvor beschrieben, die Anwendung von machine-learning-Konzept „active learning.“ Dieser beinhaltet eine computer wiederholt die Auswahl, die Experimente zu tun, um zu lernen, effektiv aus dem Muster, die Sie beobachtet in den Daten. Geführt wird das team von senior-Autor Robert F. Murphy, professor und Leiter des CMU ‚ s Computational Biology Department.

Während Ihren Ansatz bisher nur getestet, mit synthetischen oder zuvor erworbenen Daten, das team das aktuelle Modell baut auf diesem, indem Sie den computer auswählen, die Experimente zu tun. Die Experimente wurden dann durchgeführt mit liquid-handling-Roboter und ein automatisches Mikroskop.

Die Lernenden untersucht die Wechselwirkungen zwischen 96 Drogen-und 96 kultivierten säugetier-Zell-Klone mit verschiedenen, fluorescently tagged Proteine. Eine Summe von 9,216 Experimente möglich waren, jeweils bestehend aus aufnehmen von Bildern für einen bestimmten Zell-Klonen in Anwesenheit von einem bestimmten Medikament. Die Herausforderung für den Algorithmus war, zu lernen, wie Proteine betroffen waren in jedem dieser Experimente, ohne die die Durchführung aller von Ihnen.

Die erste Runde der Experimente begann durch das sammeln von Bilder von jedem Klon für eine der Drogen, von insgesamt 96 Experimente. Bilder wurden vertreten durch numerische Funktionen, welches die protein-Lage in der Zelle.

Am Ende jeder Runde, alle Experimente, die Qualitätskontrolle Durchlaufen wurden verwendet, um zu identifizieren Phänotypen (Muster in der Lage ein protein), die möglicherweise oder möglicherweise nicht im Zusammenhang zu einer zuvor zeichnet sich Droge Wirkung.

Ein Novum dieser Arbeit wurde für die Lernenden zu identifizieren, die möglicherweise neue Phänotypen auf Ihre eigenen als Teil des Lernprozesses. Um dies zu tun, er gruppierte die Bilder zu bilden Phänotypen. Die Phänotypen wurden dann verwendet, um die form eines prädiktiven Modells, so dass die Lernenden könnte die Ergebnisse der ungemessenen Experimente. Die basis des Modells war es, zu identifizieren, Sätze von Proteinen, reagiert in ähnlicher Weise auf Sätze von Drogen, so dass er Vorhersagen konnte, die gleichen vorherrschenden trend in der unermeßlichen Experimente.

Der Lernende wiederholt den Prozess für insgesamt 30 Runden, Abschluss 2,697 aus der 9,216 möglichen Experimente. Als Sie nach die Experimente durchführte, identifizierte es mehr Phänotypen und mehr Muster, wie sets von Proteinen, die betroffen waren, durch Sätze von Drogen.

Mit einer Vielzahl von Berechnungen, das team festgestellt, dass der Algorithmus war in der Lage zu lernen, eine 92 Prozent genaue Modell dafür, wie die 96-Medikamente betroffen, die 96-Proteine, die aus nur 29 Prozent der Experimente.

„Unsere Arbeit hat gezeigt, dass dabei eine Reihe von Experimenten, die unter der Kontrolle einer Maschine Lernenden ist möglich, auch wenn die Menge der Ergebnisse ist unbekannt. Wir haben auch gezeigt die Möglichkeit des aktiven Lernens, wenn sich der Roboter nicht in der Lage, Folgen einer Entscheidung Baum,“ Murphy erklärt.

„Die unmittelbare Herausforderung wird sein, diese Methoden zu verwenden um die Kosten zu reduzieren, die Erreichung der Ziele von großen, multi-site-Projekte, wie Der Krebs-Genom-Atlas, die Ziele zu beschleunigen Verständnis der molekularen basis von Krebs mit Genom-Analyse-Technologien.“

Schreibe einen Kommentar