اكتشف باحثون من قسم علوم الحاسوب في جامعة رايس وجود تحيز في أدوات تعلم الآلة الشائعة المستخدمة في أبحاث المناعة الاصطناعية. قام الفريق، الذي يتألف من طلاب الدكتوراه أنجا كونيف، رومانوس فاسوليس، وسارة هول-سوان، بالإضافة إلى أعضاء هيئة تدريس علوم الحاسوب رودريغو فيريرا وليديا كافراكي، بتحليل البيانات العامة المتاحة المتعلقة بالتنبؤ بربط الببتيد-HLA (pHLA) وتحديد تحيز جغرافي يحبذ المجتمعات ذات الدخل العالي. يمكن أن يكون هذا التحيز له انعكاسات كبيرة على تطوير العلاجات الاصطناعية الفعالة.
تركز الأبحاث في مجال المناعة الاصطناعية على تحديد الببتيدات التي يمكن أن ترتبط بكفاءة مع أليلات HLA الخاصة بالمريض من أجل إنشاء علاجات شخصية وتستهدف بشكل كبير. يتم استخدام أدوات تعلم الآلة للتنبؤ بفعالية ربط الببتيد بأليلات HLA، مما يبسط العملية. ومع ذلك، اكتشف الباحثون في جامعة رايس أن البيانات المستخدمة لتدريب هذه النماذج تعتمد على المجتمعات ذات الدخل العالي. وهذا يثير مخاوف بشأن فعالية العلاجات الاصطناعية في السكان ذوي الدخل المنخفض، حيث لا يتم تمثيل البيانات الجينية لهؤلاء المجتمعات بشكل كاف.
لحل هذه المشكلة، يتحدى فريق جامعة رايس مفهوم التنبؤ بربط “البان-أليل” المعتمد حاليًا لتنبؤ ربط pHLA. تدعي هذه النماذج قدرتها على التعميم إلى بيانات أليل غير موجودة في مجموعة البيانات التدريبية. ومع ذلك، تسلط نتائج الباحثين الضوء على القيود المتعلقة بتلك التنبؤات عندما يتعلق الأمر بالبيانات من المجتمعات ذوي الدخل المنخفض.
من خلال إلقاء الضوء على التحيز في نماذج تعلم الآلة المستخدمة في أبحاث المناعة الاصطناعية، يهدف الفريق إلى تعزيز تطوير أساليب حقيقية غير منحازة وعادلة لتنبؤ ربط pHLA. ويشددون على ضرورة اعتبار البيانات في سياق اجتماعي والاعتراف بالعوامل التاريخية والاقتصادية التي قد تؤثر على تمثيل مجتمعات مختلفة في مجموعات البيانات.
وفي النهاية، الهدف هو ضمان دقة الأدوات المستخدمة في الإعدادات السريرية، مثل تلك المستخدمة للعلاجات الاصطناعية الشخصية، وتضمن استيعاب مجموعات سكانية متنوعة. تشكل الأبحاث التي قام بها الفريق في جامعة رايس تذكيرًا للمجتمع العلمي بالتحديات المرتبطة بالحصول على مجموعات بيانات غير منحازة وأهمية معالجة التحيزات في تعلم الآلة.
The source of the article is from the blog trebujena.net