机器学习对患者分层和罕见疾病的目标发现的假设生成:我们在ALS中使用开放科学的经验
Joseph Geraci1,2,3,4, Ravi Bhargava5,6, Bessi Qorri1
1NetraMark Corp, Toronto, ON, Canada.
Frontiers in computational neuroscience
|January 23, 2024
概括
机器学习和开放科学加速了对肌缩侧面硬化症 (ALS) 的药物发现. 这项研究确定了新的治疗点和患者亚群,为个性化ALS治疗和改善生活质量铺平了道路.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 机器学习 (ML) 和开放科学加速药物发现.
- 小型患者数据集可以通过先进的ML获得重要的见解.
- 开放科学促进合作,但需要更广泛的采用.
研究的目的:
- 验证已有的药物标用于肌缩侧面硬化症 (ALS).
- 确定新的ALS患者亚群和潜在的治疗点.
- 在疾病研究中展示小患者数据集的实用性.
主要方法:
- 利用公开的ALS数据集和多学科的开放科学方法.
- 使用系统生物学增强的ML技术 (NetraAI) 进行假设生成.
- 结合ML技术,图形理论,系统生物学和专家输入用于验证.
主要成果:
- 确定了8个目标类 (炎症,表观遗传等). 为ALS提供新的治疗途径.
- 揭示了对ALS病理生理学和潜在药物标的见解.
- 根据疾病发作发现的ALS患者亚群.
结论:
- 这些发现为ALS病理生理学提供了系统的观点.
- 表明同时针对已识别的途径可能会减轻ALS的进展.
- 旨在弥合ALS个性化诊断,预后和治疗策略的知识差距.


