BG112772A - Метод за адаптивно извличане на in silico знания и вземане на решения, базиран на анализ на големи геномни данни - Google Patents

Abstract

Метод са адаптивно извличане на ин силико знания и вземане на решения, базиран на анализ на големи геномни данни, който съдържа две паралелни и корелирани изчислителни фази, фаза на машинно обучение и оперативна фаза, които се припокриват и изпълняват едновременно, с информационен обмен. Всяка фаза оперира над 4 типа изчислителни работни потоци за анализ на данни - описателен, диагностичен, прогнозен и предписателен анализ. Дескриптивният, диагностичният и прогнозният диференцирани работни потоци са базирани на модели, докато прогнозният диференциран работен поток използва модели за конструиране на препоръки за персонализираната терапия и правила за класифициране в целева група за прецизна терапия. Входните данни са 4 набори - секвенирани геноми, резултати от клинични тестове, параметри на индивидуалния стил на живот на пациента и фактори на околната среда. В рамките на фазата на машинното обучение се изграждат паралелни диференцирани работни потоци, като тези с най-висока оценка за акуратност, прецизност и сензитивност, се използват за конструирането на интегриран работен поток за откриване на знания, със следните изходни резултати: картиране на гени, свързани с рака, детектиране на мутации, персонализирана диагностика на рака и препоръки за целева група за прецизна терапия на пациента. Изходните данни се верифицират от експерт, като при необходимост наборите данни се модифицират и диференцираните работни потоци се изпълняват отново във фазата на машинното обучение. Процесът се повтаря итеративно до верифициране от експерта онколог. Методът е адаптивен по отношение на генетични, биологични и медицински аспекти, както и в изчислителен аспект - скалируемост, реконфигурация на хардуерни и софтуерни ресурси.

Description

МЕТОД ЗА АДАПТИВНО ИЗВЛИЧАНЕ НА IN SILICO ЗНАНИЯ И ВЗЕМАНЕ НА РЕШЕНИЯ БАЗИРАН НА АНАЛИЗ НА ГОЛЕМИ ГЕНОМНИ ДАННИ

ОБЛАСТ НА ТЕХНИКАТА

Областта е интердисциплинарна и обхваща биоинформатиката, компютърните науки, изкуствения интелект и прецизната медицина. Фокусът е върху откриване на нови in silico знания на основата на анализ на големи геномни данни за целите на изчислителната биология, персонализираната и прецизната медицина. In silico медицината, персонализираната медицина и прецизната медицина са „горещите“ области на съвременните научни изследвания. In silico медицината, известна също като изчислителна медицина, е приложението на in silico изследвания на проблеми, свързани със здравеопазването и медицината. Тя представлява директното използване на компютърни модели и симулации при определянето на диагнозата, лечението или превенцията за дадено заболяване. Персонализирана медицина се отнася до приспособяването на медицинското лечение към индивидуалните характеристики на всеки пациент, като не предполага създаването на лекарства или медицински устройства, които са уникални за пациента, а по-скоро способността да се класифицират индивидите в субпопулации, които се различават по чувствителността си към определена болест, в биологията и/или прогнозата на тези заболявания, които те могат да развият, или в отговор на специфично лечение.

ПРЕДШЕСТВАЩО СЪСТОЯНИЕ НА ТЕХНИКАТА

Понастоящем, големите данни (Big Data) се определят като революция в научните изследвания и една от най-перспективните тенденции в областта на ИТ. Това даде тласък на интензивното развитие на методите и технологиите за обработка на големи масиви от данни в последните години и доведе до радикални промени в парадигмите за научни изследвания. Предшестващата парадигма за научни изследвания е изчислителна наука. Изчислителната парадигма в научните изследвания обхваща компютърните модели и симулации (in silico експериментиране), които се наложиха поради изключителната сложност на теоретичния анализ, който в много случаи е неприложим. В резултат на компютърните симулации се генерира огромно количество данни от експериментите. Недостатък - налага се да се правят статистически проби с цел намаляване на обема на обработваните данни.

ТЕХНИЧЕСКА СЪЩНОСТ

Методът съдържа две паралелни и корелирани изчислителни фази, фаза на машинно обучение и оперативна фаза, които се припокриват и изпълняват едновременно, с информационен обмен. И двете фази се основават на модели и правила, като използват паралелно както методи за класификация, така и методи за клъстериране при анализа на данните. Всяка фаза функционира като изчислителен конвейер, съдържащ три основни компонента: (1) предварителна обработка на данните; (2) откриване на in-silco знания и автоматизирано вземане на решение, и (3) постобработка на резултатите — визуализация и оценка на полезността на откритото знания.

Във фазата на предварителната обработка на данните се осъществява селекция на характеристиките на основата на метаевристични алгоритми на за комбинаторно търсене и метода анализ на главните компоненти, като множеството на характеристиките се редуцира посредством итеративно изпълнение на метода за машинно обучение. Пост-обработката на данните обхваща верификация, валидиране и оценка на полезността и приложимостта на откритото знания, както и визуализация на получените резултати.

Всяка фаза оперира над 4 типа изчислителни работни потоци за анализ на данни описателен, диагностичен, прогнозен и предписателен анализи. Изчислителният работен поток представлява шаблон, дефиниращ консистентна имплементация на процеси или поток от задачи, които се планират и координират на основата на систематичен план. Научните работни потоци осигуряват метод за дефиниране на високо ниво на целите на експеримента, моделирани посредством работен поток от научни задачи, особено в случаите, когато изходните данни от изпълнението на една задача се използват като входни данни за следващата задача.

За случая на рака на гърдата, описателният аналитичен работен поток е отговорен за идфентифицирането на гените, асоциирани с рака на гърдата (BRCA1 и BRCA2) и картирането им в генома на пациента. Целта на диагностичния аналитичен работен поток е да открие възможни мутации в гените, асоциирани с рака на гърдата. Прогнозният аналитичен работен поток използва като входни данни резултатите от дескриптивния аналитичен работен поток и данни за вида на раковите клетки, като определя типа на рака, неговата злокачественост и прогнозна оценка на живота. Предписателният аналитичен работен поток конструира препоръки за персонализирана терапия на основата на изходните резултати от диагностичния работен поток, данните за индивидуалния стил на живота на пациента и фактори на околната среда, след което класифицира пациента в целева група за прецизна терапия.

Дескриптивният, диагностичният и прогнозният диференцирани работни потоци са базирани на модели поради огромното разнообразие на геномите и на техните междугенни пространства като се визират основно структурната специфика на промотерите и енхансерите. Прогнозният диференциран работен поток използва модели за конструиране на препоръки за персонализираната терапия и правила за класифициране в целева група за прецизна терапия.

През фазата на машинното обучение на метода се изгражда хранилище на синтезирани колекции от модели и правила, които се използват в оперативната фаза на метода за изграждането на интегриран работен поток. Фазата на машинното обучение се изпълнява offline с наборите от данни за обучение и валидиране, като основните изчислителни единици са 4 колекции от диференцирани работни потоци, като всяка колекция съдържа диференцирани потоци от един тип - дескриптивен, диагностичен, прогнозен или предписателен. Оперативната фаза се изпълнява online и обработва входни потоци от данни — секвениран геном на пациента, данни от клинични тестове, данни за индивидуалния стил на живота на пациента и фактори на околната среда. Основната изчислителна единица в оперативната фаза е интегриран работен поток за откриване на знания, изграден от 4 диференцирани работни потока (дескриптивен, диагностичен, прогнозен и предписателен).

Във фазата на машинното обучение се обработват паралелно 4 пакета от диференцирани работни потоци, използващи различни модели за машинно обучение, вкл. методи за класифициране и клъстериране. Наборите данни за обучение за 4 типа: (1) генетични данни на пациента, (2) резултати от клинични тестове, (3) параметри на индивидуалния стил на живота на пациента, и (4) фактори на околната среда.

Времето за изпълнение на фазата на машинното обучение е голямо, като за ускоряване на фазата пакетите от диференцирани работни потоци се обработват паралелно. Всеки диференциран работен поток изгражда модел, който се запазва в хранилището на работните потоци. Изходният резултат на всеки диференциран работен поток се валидира и се верифицира от експерт по молекулярна биология, генетик или онколог, респективно. В случай на положителни резултати при валидирането и верификацията, работния поток се запазва в хранилището, след което се подлага на оценки за акуратност, прецизност и сензитивност. Работните потоци в хранилището се подлагат на сравнителен анализ относно акуратност, прецизност и сензитивност и от всеки пакет диференцирани работни потоци се селектират оптималните с цел изграждане на интегриран работен поток в оперативната фаза.

В случаите, когато верификацията и валидирането на резултатите от работния поток са неуспешни, наборите данни се подлагат на модифициране и обновяване и отново се използват във вазата за машинно обучение.

В рамките на оперативната фаза се изпълнява един интегриран работен поток, изграден от четирите оптимални диференцирани работни потоци от хранилището, по един от всеки пакет. Оперативната фаза се изпълнява online и обработва поточните данни на пациента - генетични данни, резултати от клинични тестове, параметри на индивидуалния стил на живот на пациента, и фактори на околната среда. Оперативната фаза генерира следните изходни данни - генетична специфика на пациента - спец. На гените, свързани с рака на гърдата, мутации, персонализирана диагностика на рака на пациента, оценки на злокачественост на рака и очаквана продължителност на живота, препоръки за персонализирана терапия на пациента и целева група за прецизна терапия.

Знанието, открито в оперативната фаза се подлага на оценка от експерт - онколог, като оценките могат да бъдат „потвърждение“, „отхвърляне“, или „модифициране“. В случай на експертни оценки „отхвърляне, модифициране“ използваните диференцирани работни потоци в рамките на интегрирания работен поток в оперативната фаза се маркират като „невалидни“ в хранилището и съответните набори данни за обучение и валидиране се модифицират и обновяват, след което се стартира ново обучение във фазата на машинното обучение. Процесът се повтаря итеративно до получаване на оценка „потвърждение“ от експерта-онколог .

ОПИСАНИЕ НА ПРИЛОЖЕНИТЕ ФИГУРИ

Фигура 1 Схема на метода с двете фази — на машинно обучение и оперативна фаза

Фигура 2 Схема на фазата на машинното обучение на метода

Фигура 3 Конфигуриране на интегрирания работен поток в оперативната фаза от диференцираните работни потоци, създадени във фазата на машинното обучение с максимални оценки за акуратност, прецизност и сензитивност

Фигура 4 Концептуален модел на умен дигитален консултант за рак на гърдата, имплементиран на основата на метода

ПРИМЕРИ ЗА ИЗПЪЛНЕНИЕ

Приложимостта на предложения метод е за проектиране, имплементиране и развитие на софтуер на умен дигитален консултант в помощ на онколога (за рак на гърдата), който помага и асистира онколозите да обработват, управляват и интерпретират огромното количество информация при диагностицирането на болестта.

Софуерът е написан на езика Python и е развит в средата на клъстерната платформа Apache Spark, при използването на съответните софтуерни библиотеки за машинно обучение и библиотеки за числена обработка, както и софтуер за множествено подреждане на биологични секвенции.

Claims (1)

1. Метод са адаптивно извличане на ин силико знания и вземане на решения базиран на анализ на големи геномни данни, който съдържа две паралелни и корелирани изчислителни фази, фаза на машинно обучение и оперативна фаза, които се припокриват и изпълняват едновременно, с информационен обмен. Всяка фаза оперира над 4 типа изчислителни работни потоци за анализ на данни - описателен, диагностичен, прогнозен и предписателен анализи. Дескриптивният, диагностичният и прогнозният диференцирани работни потоци са базирани на модели, докато прогнозният диференциран работен поток използва модели за конструиране на препоръки за персонализираната терапия и правила за класифициране в целева група за прецизна терапия. Входните данни са 4 набори - секвенирани геноми, резултати от клинични тестове, параметри на индивидуалния стил на живот на пациента и фактори на околната среда. В рамките на фазата на машинното обучение се изграждат паралелни диференцирани работни потоци, като тези с най-висока оценка за акуратност, прецизност и сензитивност, се използват за конструирането на интегриран работен поток за откриване на знания, със следните изходни резултати: картиране на гени, свързани с рака, детектиране на мутации, персонализирана диагностика на рака и препоръки за целева група за прецизна терапия на пациента. Изходните данни се верифицират от експерт, като при необходимост наборите данни се модифицират и диференцираните работни потоци се изпълняват отново във фазата на машинното обучение. Процесът се повтаря итеративно до верифициране от експерта онколог. Методът е адаптивен по отношение на генетични, биологични и медицински аспекти