19-04-2018

Diep leren kan de biomedische wetenschap transformeren

Bepaalde toepassingen van diep leren zijn bijna gemeenplaatsen geworden, van smartphones tot zichzelf besturende auto’s. Voor biologen, die niet vertrouwd zijn met deze technieken, kan het gebruik van artificiële intelligentie echter wel eens gehuld zijn in raadselen.

“Het is een uiterst belangrijke doelstelling biologen te laten kennismaken met deze technologie”, zegt Steve Finkbeiner, directeur van het Taube/Koret Center for Neurodegenerative Disease Research aan Gladstone en professor Neurologie en Fysiologie aan de Universiteit van Californië in San Francisco. “Tijdens mijn uiteenzettingen stel ik vast dat mijn collega’s bijna niet meer luisteren zodra ze doorhebben wat we proberen te doen op conceptueel niveau! Het wordt pas echt opwindend als ze in staat zijn zich een beeld te vormen van de manier waarop diep leren hen kan helpen onoplosbare problemen aan te pakken.”

De potentiële biologische toepassingen van diep leren zijn grenzeloos. In zijn laboratorium probeert Finkbeiner nieuwe manieren te vinden om neurodegeneratieve aandoeningen zoals Alzheimer, Parkinson en ALS te diagnosticeren en te behandelen.

“Wat ALS betreft kennen we nog steeds de exacte oorzaak van de ziekte niet bij 90 procent van de patiënten”, zegt Finkbeiner. “Bovendien weten we niet eens of de oorzaak bij alle patiënten dezelfde is, dan wel of we de ziektes in verschillende types moeten classificeren. Dieplereninstrumenten zouden ons kunnen helpen antwoorden te vinden op deze vragen, die een grote impact hebben op alle aspecten van deze ziekte, gaande van de manier waarop we ALS bestuderen tot de manier waarop we klinische tests uitvoeren.”

Zonder kennis van de ziekteclassificatie wordt een geneesmiddel mogelijk uitgetest op de verkeerde groep patiënten. Zo lijkt het inefficiënt, terwijl het zou kunnen werken bij andere patiënten.

Met behulp van geïnduceerde-pluripotente-stamceltechnologie kunnen wetenschappers de cellen van de patiënten in overeenstemming brengen met hun eigen klinische informatie. Daarbij kan het diepe netwerk verbanden ontdekken tussen de beide datasets om connecties te voorspellen. Dit zou kunnen leiden tot de identificatie van een subgroep van patiënten met gelijkaardige celkenmerken. Aan die groep kan dan de gepaste therapie worden toegewezen.

De enige resterende factor bestaat dan mogelijk uit de grenzen van de menselijke verbeeldingskracht.

Vertaling: Bart De Becker

Bron: Phys.org