Badacze zajmujący się układem odpornościowym opracowali narzędzie obliczeniowe, które ma zwiększyć gotowość na kolejną pandemię. Naukowcy mogą wykorzystać ten nowy algorytm do porównywania danych z bardzo różnych eksperymentów i lepszego przewidywania reakcji poszczególnych osób na chorobę.
- Próbujemy zrozumieć, w jaki sposób poszczególne osoby zwalczają różne wirusy, ale piękno naszej metody polega na tym, że można ją zastosować ogólnie w innych warunkach biologicznych, takich jak porównania różnych leków lub różnych linii komórek nowotworowych – mówi dr Tal Einav. D., adiunkt w Instytucie Immunologii La Jolla (LJI) i współprzewodniczący nowego badania w Cell Reports Methods.
Wirusy ścigają się z naukowcami
Laboratoria badające choroby zakaźne – nawet laboratoria skupiające się na tych samych wirusach – gromadzą bardzo różne rodzaje danych. - Każdy zbiór danych staje się odrębną, niezależną wyspą – mówi Einav, cytowany przez scitechdialy.com. Niektórzy badacze badają modele zwierzęce, inni badają pacjentów. Niektóre laboratoria skupiają się na dzieciach, inne pobierają próbki od seniorów z obniżoną odpornością. Lokalizacja też ma znaczenie. Komórki pobrane od pacjentów w Australii mogą inaczej reagować na wirusa w porównaniu z komórkami pobranymi od grupy pacjentów w Niemczech, tylko na podstawie wcześniejszego narażenia na wirus w tych regionach.
Czytaj więcej
Wykorzystując skradzione tożsamości przestępcy namawiają na Telegramie przeciwników szczepionek do kupowania fałszywych dokumentów medycznych i lek...
- W biologii istnieje dodatkowy poziom złożoności. Wirusy stale ewoluują, a to także zmienia dane – mówi Einav. - Nawet jeśli dwa laboratoria badały tych samych pacjentów w tym samym roku, mogły przeprowadzić nieco inne badania - dodał. Dlatego też naukowcom potrzebny jest algorytm, który przeanalizuje ogromna ilość danych zebranych przez naukowców na całym świecie.
Szczepionki szybciej trafią do pacjentów
Nowa metoda obliczeniowa nie musi dokładnie wiedzieć, gdzie i w jaki sposób uzyskano każdy zestaw danych. Zamiast tego uczenie maszynowe ma określić, które zbiory danych mają te same podstawowe wzorce. A następnie jak podobne są do siebie te dane. Z czasem te porównania mogą ujawnić spójne zasady odpowiedzi immunologicznych – wzorce, które są trudne do wykrycia w wielu rozproszonych zbiorach danych. Na przykład badacze mogliby zaprojektować lepsze szczepionki, dokładnie sprawdzając, w jaki sposób ludzkie przeciwciała celują w białka wirusowe.
Nowa metoda jest również wystarczająco dokładna, aby zapewnić naukowcom pewność co do ich przewidywań. To oznacza krótszy okres żmudnych badań i testów. Szczepionki będą szybciej trafiać do pacjentów, co będzie szczególnie ważne podczas kolejnej, ewentualnej pandemii.
