Brian D. Wood。信用:约翰娜·卡森，OSU俄勒冈州立大学工程学院的一项新研究表明，机器学习技术可以为推进个性化医疗提供强大的新工具，这种医疗可以根据患者生物学和疾病特征的独特方面优化其结果。俄勒冈州立大学的布莱恩·伍德(Brian D. Wood)说，这项由人工智能分支mach ine learning(计算机系统使用算法和统计模型来寻找数据趋势)进行的研究，在细胞水平上解决了生物系统中长期无法解决的问题，他与当时的OSU博士生埃桑·塔希扎德(Ehsan Taghizadeh)和牛津大学的海伦·伯恩(Helen M. Byrne)一起进行了这项研究。
“这些系统往往具有很高的复杂性——首先是因为大量的单个细胞，其次是因为细胞可以表现出高度非线性的方式，”环境工程教授伍德说。“非线性系统对升级方法提出了挑战，升级方法是研究人员在通常最相关的更大尺度上精确模拟生物系统的主要手段。”
科学或数学中的线性系统意味着系统输入的任何变化都会导致输出的成比例变化；例如，一个线性方程可以描述一个斜率，它在垂直方向上每增加一英尺水平距离就增加2英尺。
非线性系统不是那样工作的，世界上的许多系统，包括生物系统，都是非线性的。
伍德说，这项新研究部分由美国能源部资助，发表在《计算物理杂志》上，是利用机器学习解决非线性系统建模问题和理解可能发生在人体组织中的复杂过程的首批例子之一。
“机器学习的出现给了我们一个新的工具来解决我们以前无法解决的问题，”他解释道。“虽然工具本身不一定是新的，但我们拥有的特定应用非常不同。我们开始以更受限制的方式应用机器学习，这让我们能够解决以前无法解决的物理问题。”
在模拟器官内的细胞活动时，不可能单独模拟该器官中的每个细胞——一立方厘米的组织可能包含10亿个细胞——因此研究人员依赖于所谓的放大。
升级试图减少分析或模拟特定生物过程所需的数据，同时保持细胞水平上发生的核心生物学、化学和物理学的保真度——模型准确再现某种事物的程度。
伍德指出，生物系统抵制传统的升级技术，这就是机器学习方法的来源。
通过减少细胞水平上非常复杂的系统的信息负荷，研究人员可以更好地高保真地分析和模拟这些细胞的影响或反应，而不必模拟每个单独的细胞。伍德将其描述为“通过将一个拥有数千万个数据点的计算问题简化为数千个数据点。”
新方法可以为基于数字模型结果的潜在患者治疗铺平道路。在这项研究中，研究人员能够使用机器学习并开发一种新的方法来解决生物和化学系统中的经典非线性问题。
伍德说:“我们的工作利用了所谓的深度神经网络来放大组织内运输和反应中发现的非线性过程。
伍德正在合作另一个研究项目，利用机器学习技术来模拟人体内的血液流动。
“个体化医疗的承诺正在迅速成为现实，”他说。“多学科的结合——如分子生物学、应用数学和连续介质力学——正在以新的方式使这成为可能。这其中的一个关键组成部分肯定是机器学习方法的持续进步。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
