Forskare från Rice Universitys datavetenskapsavdelning har avslöjat en bias i vanligt använda maskininlärningsverktyg som används för immunoterapiforskning. Laget, bestående av doktorander Anja Conev, Romanos Fasoulis och Sarah Hall-Swan, tillsammans med datavetenskapsfakultetsmedlemmarna Rodrigo Ferreira och Lydia Kavraki, analyserade offentligt tillgängliga data relaterade till förutsägelse av peptid-HLA (pHLA)-bindning och identifierade en geografisk bias som favoriserar höginkomstsamhällen. Denna bias kan ha betydande konsekvenser för utvecklingen av effektiva immunoterapier.
Immunoterapiforskningen fokuserar på att identifiera peptider som effektivt kan binda till patientens specifika HLA-allel för att skapa personifierade och högt riktade terapier. Maskininlärningsverktyg används för att förutsäga effektiviteten av peptidbindning till HLA-alleler och effektivisera processen. Forskarna vid Rice University upptäckte dock att datan som används för att träna dessa maskininlärningsmodeller är snedvriden mot höginkomstsamhällen. Detta väcker oro för effektiviteten av immunoterapier i lägre inkomstgrupper, eftersom den genetiska datan från dessa samhällen inte är tillräckligt representerad.
För att adressera denna fråga utmanar Rice University-teamet konceptet med ”pan-allel” maskininlärningsförutsägelser som för närvarande används för pHLA-bindningsförutsägelse. Dessa modeller hävdar att de kan generalisera till alleldata som inte finns i träningsdatamängden. Forskarnas resultat understryker dock begränsningarna hos sådana förutsägelser när det gäller data från lägre inkomstgrupper.
Genom att uppmärksamma snedvridningen i maskininlärningsmodeller som används för immunoterapiforskning syftar laget till att främja utvecklingen av verkligt opartiska och rättvisa metoder för att förutsäga pHLA-bindning. De betonar behovet av att överväga data i en social kontext och att erkänna de historiska och ekonomiska faktorer som kan påverka representationen av olika populationer i datamängder.
Slutligen är målet att säkerställa att verktyg som används i kliniska miljöer, såsom de för personifierade immunoterapier, är precisa och inkluderar olika demografiska grupper. Forskningen som utförts av Rice University-teamet påminner den vetenskapliga gemenskapen om utmaningarna med att erhålla opartiska datamängder och vikten av att hantera snedvridningar i maskininlärning.
The source of the article is from the blog reporterosdelsur.com.mx