Pesquisadores do departamento de ciência da computação da Universidade Rice descobriram um viés em ferramentas de aprendizado de máquina comumente usadas para a pesquisa em imunoterapia. A equipe, composta pelos alunos de doutorado Anja Conev, Romanos Fasoulis e Sarah Hall-Swan, juntamente com os membros do corpo docente de ciência da computação Rodrigo Ferreira e Lydia Kavraki, analisou dados publicamente disponíveis relacionados à previsão de ligação peptídeo-HLA (pHLA) e identificou um viés geográfico favorecendo comunidades de maior renda. Esse viés poderia ter implicações significativas para o desenvolvimento de imunoterapias eficazes.
A pesquisa em imunoterapia foca em identificar peptídeos que podem se ligar eficientemente com alelos HLA específicos do paciente para criar terapias personalizadas e altamente direcionadas. Ferramentas de aprendizado de máquina são empregadas para prever a eficácia da ligação de peptídeos a alelos HLA, simplificando o processo. No entanto, os pesquisadores da Universidade Rice descobriram que os dados usados para treinar esses modelos de aprendizado de máquina estão inclinados em direção a comunidades de maior renda. Isso levanta preocupações sobre a eficácia das imunoterapias em populações de baixa renda, pois os dados genéticos dessas comunidades não são adequadamente representados.
Para abordar esse problema, a equipe da Universidade Rice desafia o conceito de preditores de aprendizado de máquina “pan-alelo” atualmente utilizados para a previsão de ligação pHLA. Esses modelos afirmam ser capazes de generalizar para dados de alelos não presentes no conjunto de dados de treinamento. No entanto, as descobertas dos pesquisadores destacam as limitações de tais previsões quando se trata de dados de populações de baixa renda.
Ao chamar a atenção para o viés em modelos de aprendizado de máquina usados para pesquisa em imunoterapia, a equipe tem como objetivo promover o desenvolvimento de métodos verdadeiramente imparciais e eqüitativos para prever a ligação pHLA. Eles enfatizam a necessidade de considerar os dados em um contexto social e de reconhecer os fatores históricos e econômicos que podem impactar a representação de diferentes populações nos conjuntos de dados.
Em última análise, o objetivo é garantir que as ferramentas usadas em ambientes clínicos, como aquelas para imunoterapias personalizadas, sejam precisas e inclusivas de diversos grupos demográficos. A pesquisa realizada pela equipe da Universidade Rice serve como um lembrete para a comunidade científica sobre os desafios envolvidos na obtenção de conjuntos de dados imparciais e a importância de abordar os viés em aprendizado de máquina.
The source of the article is from the blog be3.sk