Investigadores del departamento de informática de la Universidad Rice descubrieron un sesgo en las herramientas de aprendizaje automático comúnmente utilizadas en la investigación en inmunoterapia. El equipo, compuesto por los estudiantes de doctorado Anja Conev, Romanos Fasoulis y Sarah Hall-Swan, junto con los miembros de la facultad de informática Rodrigo Ferreira y Lydia Kavraki, analizó datos disponibles públicamente relacionados con la predicción de la unión péptido-HLA (pHLA) y descubrió un sesgo geográfico a favor de comunidades de mayores ingresos. Este sesgo podría tener implicaciones significativas para el desarrollo de terapias inmunológicas efectivas.
La investigación en inmunoterapia se centra en identificar péptidos que puedan unirse eficientemente con los alelos HLA específicos del paciente para crear terapias personalizadas y altamente dirigidas. Se emplean herramientas de aprendizaje automático para predecir la efectividad de la unión de péptidos a los alelos HLA, agilizando el proceso. Sin embargo, los investigadores de la Universidad Rice descubrieron que los datos utilizados para entrenar estos modelos de aprendizaje automático están sesgados hacia comunidades de mayores ingresos. Esto plantea preocupaciones sobre la eficacia de las inmunoterapias en poblaciones de menores ingresos, ya que los datos genéticos de estas comunidades no están adecuadamente representados.
Para abordar este problema, el equipo de la Universidad Rice cuestiona el concepto de predictores de aprendizaje automático «pan-alelo» utilizados actualmente para la predicción de unión pHLA. Estos modelos afirman poder generalizar a datos de alelos no presentes en el conjunto de datos de entrenamiento. Sin embargo, los hallazgos de los investigadores resaltan las limitaciones de tales predicciones cuando se trata de datos de poblaciones de menores ingresos.
Al llamar la atención sobre el sesgo en los modelos de aprendizaje automático utilizados para la investigación en inmunoterapia, el equipo tiene como objetivo promover el desarrollo de métodos verdaderamente imparciales y equitativos para predecir la unión pHLA. Enfatizan la necesidad de considerar los datos en un contexto social y de reconocer los factores históricos y económicos que pueden influir en la representación de diferentes poblaciones en los conjuntos de datos.
En última instancia, el objetivo es garantizar que las herramientas utilizadas en entornos clínicos, como aquellas para inmunoterapias personalizadas, sean precisas e inclusivas de diversos grupos demográficos. La investigación realizada por el equipo de la Universidad Rice sirve como recordatorio a la comunidad científica de los desafíos involucrados en la obtención de conjuntos de datos imparciales y la importancia de abordar los sesgos en el aprendizaje automático.
The source of the article is from the blog lokale-komercyjne.pl