Peneliti MIT telah mengembangkan kerangka teori baru untuk mempelajari mekanisme interaksi pengobatan. Pendekatan mereka memungkinkan para ilmuwan untuk secara efisien memperkirakan bagaimana kombinasi perawatan akan mempengaruhi sekelompok unit, seperti sel, memungkinkan peneliti untuk melakukan lebih sedikit eksperimen mahal saat mengumpulkan data yang lebih akurat.
Sebagai contoh, untuk mempelajari bagaimana gen yang saling berhubungan mempengaruhi pertumbuhan sel kanker, seorang ahli biologi mungkin perlu menggunakan kombinasi perawatan untuk menargetkan beberapa gen sekaligus. Tetapi karena mungkin ada miliaran kombinasi potensial untuk setiap putaran percobaan, memilih subset kombinasi untuk diuji mungkin bias data yang dihasilkan oleh percobaan mereka.
Sebaliknya, kerangka kerja baru mempertimbangkan skenario di mana pengguna dapat secara efisien merancang eksperimen yang tidak bias dengan menetapkan semua perawatan secara paralel, dan dapat mengontrol hasilnya dengan menyesuaikan laju setiap perlakuan.
Para peneliti MIT secara teoritis membuktikan strategi yang hampir optimal dalam kerangka ini dan melakukan serangkaian simulasi untuk mengujinya dalam percobaan multiround. Metode mereka meminimalkan tingkat kesalahan di setiap instance.
Teknik ini suatu hari nanti dapat membantu para ilmuwan lebih memahami mekanisme penyakit dan mengembangkan obat -obatan baru untuk mengobati kanker atau gangguan genetik.
“Kami telah memperkenalkan konsep yang dapat dipikirkan orang lebih banyak ketika mereka mempelajari cara optimal untuk memilih perawatan kombinatorial pada setiap putaran percobaan. Harapan kami adalah ini dapat digunakan untuk menyelesaikan pertanyaan yang relevan secara biologis,” kata mahasiswa pascasarjana Jiaqi Zhang, seorang rekan kerja ERIC dan Wendy Schmidt.
Dia bergabung di atas kertas oleh penulis bersama Divya Shyamal, seorang sarjana MIT; dan penulis senior Caroline Uhler, profesor teknik Andrew dan Erna Viterbi di EECS dan MIT Institute for Data, Systems, and Society (IDSS), yang juga direktur ERIC dan Wendy Schmidt Center dan seorang peneliti di Laboratorium MIT untuk sistem informasi dan keputusan (LIDS). Penelitian ini baru -baru ini dipresentasikan pada Konferensi Internasional tentang Pembelajaran Mesin.
Perawatan simultan
Perawatan dapat berinteraksi satu sama lain dengan cara yang kompleks. Misalnya, seorang ilmuwan yang mencoba menentukan apakah suatu gen tertentu berkontribusi pada gejala penyakit tertentu mungkin harus menargetkan beberapa gen secara bersamaan untuk mempelajari efeknya.
Untuk melakukan ini, para ilmuwan menggunakan apa yang dikenal sebagai gangguan kombinatorial, di mana mereka menerapkan beberapa perawatan sekaligus pada kelompok sel yang sama.
“Gangguan kombinatorial akan memberi Anda jaringan tingkat tinggi tentang bagaimana gen yang berbeda berinteraksi, yang memberikan pemahaman tentang bagaimana fungsi sel,” Zhang menjelaskan.
Karena eksperimen genetik mahal dan memakan waktu, ilmuwan bertujuan untuk memilih subset kombinasi pengobatan terbaik untuk diuji, yang merupakan tantangan curam karena banyaknya kemungkinan.
Memilih subset suboptimal dapat menghasilkan hasil yang bias dengan memfokuskan hanya pada kombinasi yang dipilih pengguna terlebih dahulu.
Para peneliti MIT mendekati masalah ini secara berbeda dengan melihat kerangka kerja probabilistik. Alih-alih berfokus pada subset yang dipilih, setiap unit secara acak mengambil kombinasi perawatan berdasarkan tingkat dosis yang ditentukan pengguna untuk setiap perlakuan.
Pengguna menetapkan tingkat dosis berdasarkan tujuan percobaan mereka – mungkin ilmuwan ini ingin mempelajari efek dari empat obat yang berbeda pada pertumbuhan sel. Pendekatan probabilistik menghasilkan data yang kurang bias karena tidak membatasi percobaan pada subset perawatan yang telah ditentukan.
Level dosis seperti probabilitas, dan setiap sel menerima kombinasi acak perawatan. Jika pengguna menetapkan dosis tinggi, kemungkinan besar sebagian besar sel akan mengambil pengobatan itu. Subset sel yang lebih kecil akan mengambil pengobatan itu jika dosisnya rendah.
“Dari sana, pertanyaannya adalah bagaimana kita merancang dosis sehingga kita dapat memperkirakan hasil seakurat mungkin? Di sinilah teori kita masuk,” tambah Shyamal.
Kerangka teoritis mereka menunjukkan cara terbaik untuk merancang dosis ini sehingga orang dapat belajar paling banyak tentang karakteristik atau sifat yang mereka pelajari.
Setelah setiap putaran percobaan, pengguna mengumpulkan hasil dan memberi makan mereka kembali ke kerangka kerja eksperimental. Ini akan menghasilkan strategi dosis yang ideal untuk babak berikutnya, dan seterusnya, secara aktif mengadaptasi strategi selama beberapa putaran.
Mengoptimalkan dosis, meminimalkan kesalahan
Para peneliti membuktikan pendekatan teoritis mereka menghasilkan dosis optimal, bahkan ketika tingkat dosis dipengaruhi oleh pasokan perawatan yang terbatas atau ketika kebisingan dalam hasil eksperimental bervariasi di setiap putaran.
Dalam simulasi, pendekatan baru ini memiliki tingkat kesalahan terendah ketika membandingkan estimasi dan hasil aktual dari percobaan multiround, mengungguli dua metode dasar.
Di masa depan, para peneliti ingin meningkatkan kerangka kerja eksperimental mereka untuk mempertimbangkan gangguan antara unit dan fakta bahwa perawatan tertentu dapat menyebabkan bias seleksi. Mereka juga ingin menerapkan teknik ini dalam pengaturan eksperimental nyata.
“Ini adalah pendekatan baru untuk masalah yang sangat menarik yang sulit dipecahkan. Sekarang, dengan kerangka kerja baru ini di tangan, kita dapat berpikir lebih banyak tentang cara terbaik untuk merancang eksperimen untuk banyak aplikasi yang berbeda,” kata Zhang.
Penelitian ini didanai, sebagian, oleh Program Peluang Penelitian Sarjana Lanjutan di MIT, Apple, National Institutes of Health, Kantor Penelitian Angkatan Laut, Departemen Energi, Pusat Eric dan Wendy Schmidt di Broad Institute, dan Penghargaan Penyelidik Simons.
