Дослідження імунотерапії має потенціал революціонізувати лікування раку шляхом розробки персоналізованих терапій. Однак команда дослідників з комп’ютерних наук з Райського університету виявила значні пристрої у широко використовуваних інструментах машинного навчання, які є критичними для цих досліджень.
Команда, під керівництвом аспірантів Аня Конева, Романоса Фасуліса та Сари Голл-Свон, разом з членами факультету Родріго Феррейри та Лідії Кавракі, проаналізувала загальнодоступні дані передбачення зв’язування пептид-HLA (pHLA) та виявила географічний пристрій на користь спільнот з вищим рівнем доходів. Цей пристрій має далекосяжні наслідки для майбутньої ефективності імунотерапій, розроблених для населення з низьким рівнем доходів.
Гени HLA кодують білки, які відіграють важливу роль у нашій імунній відповіді. Ці білки зв’язуються з пептидами у наших клітинах та позначають інфіковані клітини для того, щоб імунна система могла на них націлюватися й усуняти. Дослідження імунотерапії спрямоване на те, щоб ідентифікувати пептиди, які можуть ефективно зв’язуватися з конкретними HLA алелями пацієнта, що призводить до високо персоналізованих терапій.
Для передбачення ефективності зв’язування пептид-HLA використовуються інструменти машинного навчання. Однак команда Університету Райс виявила, що навчальні дані, використані для цих моделей, переважно представлені спільнотами з вищим рівнем доходів. Це обмеження обмежує потенційну ефективність майбутніх імунотерапій для осіб з населення з низьким рівнем доходів.
Фасуліс підкреслив значення неупереджених моделей машинного навчання у виявленні потенційних пептидних кандидатів для імунотерапій. Вирішення пристроїв машин важливе для забезпечення рівноправної медичної допомоги для всіх, незалежно від їхньої спільноти чи соціального статусу.
Виявлення команди ставить під сумнів уявлення про “пан-алельні” прогностичні пристрої машинного навчання, що використовуються наразі для передбачення зв’язування pHLA. Ці моделі стверджують, що вони екстраполують дані для типів алелей, які не представлені у навчальному наборі даних. Однак пристрої, навчані на необ’єктивних даних, породжують питання про достовірність таких стверджень.
Ферейра запропонував, що виправлення пристроїв машинного навчання потребує від дослідників врахування їх даних у соціальному контексті. Розуміння історичних та економічних факторів, які впливають на населення, з якого зібрані дані, є важливим для виявлення та подолання пристроїв.
Кавракі підкреслила важливість точних та об’єктивних інструментів у клінічній практиці. Оскільки ці моделі машинного навчання врешті-решт з’являться в клінічних процедурах, важливо визначати та виправляти будь-які пристрої машинної біаси.
Хоча команда визнає, що загальнодоступні дані, які вони проаналізували, були спрямовані, вони розглядають це як вихідну точку для подальших досліджень. Піднявши обізнаність в дослідницькій спільноті, вони сподіваються сприяти розвитку дійсно включної та неупередженої методики передбачення зв’язування pHLA.
Імунотерапія має величезний потенціал, але важливо забезпечити, що досягнення в цій галузі приносять користь індивідам з усіх верств населення. Революційні дослідження команди університету Райс відкривають шлях до більш справедливого майбутнього у персоналізованому лікуванні раку.
The source of the article is from the blog dk1250.com