[ad_1]
(noticias nanowerk) La inteligencia artificial, es decir, la IA que encuentra patrones en datos biológicos complejos, podría eventualmente contribuir al desarrollo de una atención sanitaria personalizada. Investigadores de la Universidad de Linköping (Suecia) han desarrollado un método basado en inteligencia artificial que puede aplicarse a diversas cuestiones médicas y biológicas. Por ejemplo, sus modelos pueden estimar con precisión las edades cronológicas de las personas y determinar si alguna vez han fumado o no.
Hay muchos factores que pueden influir en cuáles de nuestros genes se utilizan en un momento dado. El tabaquismo, los hábitos alimentarios y la contaminación son algunos de estos factores. Esta regulación de la actividad genética se puede comparar con un interruptor de encendido que determina qué genes se activan o desactivan sin cambiar los genes reales y se llama epigenética.
Investigadores de la Universidad de Linköping han utilizado datos que contienen información epigenética de más de 75.000 muestras humanas para entrenar una gran cantidad de modelos de redes neuronales de IA. Esperan que estos modelos basados en IA puedan eventualmente usarse en medicina de precisión para desarrollar tratamientos y estrategias de prevención adaptadas a las personas. Sus modelos son del tipo autoencoder, que organiza la propia información y encuentra patrones de relaciones en la gran cantidad de datos.
Para probar su modelo, los investigadores de LiU lo compararon con modelos existentes. Ya existen modelos de los efectos del tabaquismo en el cuerpo, basados en el hecho de que cambios epigenéticos específicos reflejan los efectos del tabaquismo en la función pulmonar. Estos rastros permanecen en el ADN mucho después de que una persona ha dejado de fumar, y este tipo de modelo puede detectar si alguien es fumador actual, ex o nunca. Otros modelos pueden utilizar marcadores epigenéticos para estimar la edad cronológica de un individuo o de un grupo de individuos según estén sanos o enfermos.
Los investigadores de LiU entrenaron su codificador automático y luego utilizaron el resultado para responder tres preguntas diferentes: determinación de la edad, tabaquismo y diagnóstico de la enfermedad lupus eritematoso sistémico (LES). Aunque los modelos existentes se basan en marcadores epigenéticos seleccionados que se sabe que están asociados con la enfermedad que buscan clasificar. Sin embargo, resultó que los codificadores automáticos de los investigadores de LiU funcionaban mejor o igual de bien.
“Nuestros modelos no sólo nos permiten clasificar a los individuos en función de sus datos epigenéticos. Descubrimos que nuestros modelos pueden identificar marcadores epigenéticos ya conocidos que se han utilizado en otros modelos, pero también nuevos marcadores asociados con la enfermedad que estamos estudiando. Un ejemplo de esto es que nuestro modelo para fumar identifica marcadores asociados con enfermedades respiratorias como el cáncer de pulmón y daños en el ADN”, afirma David Martínez, estudiante de doctorado de la Universidad de Linköping.
El objetivo de los modelos de codificador automático es permitir la compresión de datos biológicos extremadamente complejos en una representación de las características y patrones más relevantes de los datos.
“No controlamos el modelo ni teníamos hipótesis basadas en el conocimiento biológico existente, sino que dejamos que los datos hablaran por sí solos. Cuando luego observamos lo que estaba sucediendo en el codificador automático, vimos que los datos se organizaban de manera similar a cómo funcionan en el cuerpo”, dice Mika Gustafsson, profesora de bioinformática traslacional en la Universidad de Linköping, quien dirigió el estudio que ha ya ha sido publicado Sesiones informativas en bioinformática. (“NCAE: representaciones basadas en datos que utilizan un codificador automático de metilación de ADN coherente de red profunda que identifica firmas sólidas de enfermedades y factores de riesgo”).
En el siguiente paso, los investigadores pueden utilizar las características clave encontradas por el codificador automático para construir modelos que puedan clasificar una variedad de factores ambientales individuales donde no hay suficientes datos de entrenamiento para entrenar modelos de IA más complejos.
Ciertos tipos de IA a veces se comparan con una caja negra que proporciona respuestas, pero los humanos no pueden ver cómo llegó la IA a la respuesta. Sin embargo, Mika Gustafsson y sus colegas se esfuerzan por crear modelos de IA interpretables que permitan a los investigadores mirar debajo de la tapa de la «caja negra», por así decirlo, para comprender lo que sucede en su interior.
“Queremos entender qué nos muestra el modelo sobre la biología detrás de las enfermedades y otras afecciones. Entonces no sólo sabremos si alguien está enfermo o no, sino que, interpretando los datos, también tendremos la oportunidad de descubrir por qué”, afirma Mika Gustafsson.
[ad_2]