MIT和哈佛的研究人员推出了一种革命性的基于人工智能的计算方法:以更少的实验高效地准确定位最佳的基因干预方案
“基于人工智能的革命性计算方法:用更少实验高效准确定位最佳基因干预方案,由MIT和哈佛研究人员推出”
在细胞重编程领域,研究人员面临识别最佳遗传扰动,将细胞工程化为新状态的挑战,这是一种在免疫疗法和再生疗法等应用中非常有前景的技术。人类基因组的极其复杂性,包括约20,000个基因和1,000多个转录因子,使得寻找理想的扰动变得既昂贵又艰巨。
目前,大规模的实验往往是以经验为基础设计的,导致成本高昂且进展缓慢,在寻找最佳干预措施方面进展有限。然而,来自麻省理工学院和哈佛大学的一个研究团队提出了一种突破性的计算方法来解决这个问题。
该方法利用复杂系统(例如基因组调控)中的因果关系,以比传统方法少得多的实验,高效地识别出最佳的遗传扰动。研究人员开发了一个理论框架来支持他们的方法,并将其应用于设计模拟细胞重编程实验的真实生物数据。他们的方法在效果上超过了现有算法,提供了一种更高效和经济有效的寻找最佳基因干预措施的方式。
- Meta AI推出AnyMAL:未来多模态语言模型的先驱,桥接文本、图像、视频、音频和动作传感器数据
- 日本柴田学院的研究人员以深度学习革新脸部方向检测技术:突破隐藏面部特征和拓展视野角度的挑战
- MIT研究人员推出PFGM ++:物理和人工智能的突破性融合,实现先进模式生成
他们创新的核心在于在顺序实验过程中应用了一种机器学习方法,即主动学习。传统的主动学习方法在复杂系统中往往效果不佳,而新方法则专注于理解系统内的因果关系。通过优先选择最有可能导致最佳结果的干预措施,它大大缩小了搜索空间。此外,研究团队还利用一种被称为输出加权的技术改进了他们的方法,该技术强调接近最佳解决方案的干预措施。
在针对细胞重编程的生物数据的实际测试中,他们的获取函数始终在实验的每个阶段上识别出优越的干预措施,相比基准方法更为出色。这意味着更少的实验可能会产生相同或更好的结果,提高效率并减少实验成本。
研究人员正在与实验者合作,将他们的技术应用到实验室中,潜在的应用领域不仅局限于基因组学,还包括优化消费品价格和流体力学控制等各个领域。
总之,来自麻省理工学院和哈佛大学的创新计算方法有望加速细胞重编程的进展,提供一种更高效和经济有效的寻找最佳基因干预措施的方式。该发展是在更有效的免疫疗法和再生疗法的探索中迈出的重要步伐,并在其他领域具备更广泛的应用潜力。