Un biomarker identificat de inteligența artificială poate părea precis, dar eșuează în testul major
Un recent studiu selectiv publicat în revista Signal Transduction and Targeted Therapy analizează modul în care inteligența artificială (IA) poate sprijini descoperirea biomarkerilor, validarea, interpretarea biologică, utilitatea clinică și integrarea terapeutică în diverse boli.
Un biomarker promițător necesită mai mult decât o putere predictivă puternică pentru a fi util în îngrijirea pacienților. Aceștia pot ajuta la detectarea, clasificarea și ghidarea tratamentului problemelor de sănătate, însă mulți candidați care performează bine în studii inițiale nu pot fi reproduși în cohorte independente sau nu îmbunătățesc deciziile clinice. În același timp, cercetarea biomarkerilor se bazează pe combinații de măsurători, inclusiv date genomice, transcriptomice, proteomice, metabolice, imagistice, celulare, circulante și digitale.
IA poate integra aceste date și identifica modele multiscale, dar prejudecățile, confuzia, heterogenitatea datelor, suprapotrivirea și validarea externă slabă pot limita traducerea rezultatelor. Autorii solicită biomarkeri care sunt reproducibili, biologic relevanți, aplicabili clinic și validați prospectiv.
Descoperirea biomarkerilor cuprinde mai multe domenii, inclusiv biomarkeri moleculari, celulare, circulante, imagistice și digitale. În domeniul molecular, cercetătorii utilizează abordări precum genomica, epigenomica, transcriptomica și proteomica.
Strategiile multi-omics integrează aceste straturi, în timp ce abordările la nivel de celulă și spațială păstrează contextul celular și tisular. Biomarkerii celulare surprind activarea, epuizarea, schimbările de linie, programele inflamatorii și mediile tisulare. Capcanele extracelulare ale neutrofilelor leagă activarea imunității înnăscute de leziuni vasculare, tromboză și daune tisulare.
Biomarkerii circulanți oferă o modalitate minim invazivă de evaluare a biologiei bolii. Semnalele precum ADN-ul liber celular (cfDNA), care include ADN-ul tumoral circulant, ARN-ul liber celular (cfRNA), proteinele și metabolitul pot sprijini detectarea și monitorizarea bolii în contexte clinice adecvate. Valoarea lor clinică depinde de procesarea preanalitică, sensibilitatea analitică, încărcătura tumorală, momentul tratamentului și caracteristicile pacientului.
Veziculele extracelulare transportă semnale moleculare care reflectă celulele de origine și facilitează comunicarea intercelulară, dar metodele de izolare, contaminanții, standardele de cuantificare și diferențele de laborator complică utilizarea lor ca biomarkeri.
Biomarkerii imagistici oferă informații despre structura și funcția țesuturilor. Radiomics și imagistica computațională cuantifică caracteristici din tomografia computerizată, imagistica prin rezonanță magnetică, tomografia cu emisie de pozitroni și patologia digitală, dar trebuie controlate diferențele de scanere, protocoalele de achiziție, segmentarea și armonizarea între locații.
Biomarkerii digitali din dispozitive purtabile, smartphone-uri și senzori de mediu pot captura somnul, mobilitatea, fiziologia autonomă și simptomele. Heterogenitatea dispozitivelor, datele incomplete, confuzia comportamentală și prejudecățile socio-economice rămân îngrijorări.
Metodele IA pentru descoperirea biomarkerilor includ învățarea automată clasică, care rămâne utilă atunci când seturile de date conțin multe variabile, dar puțini subiecți. Regresia regularizată, mașinile cu vectori de suport și ansamblurile de arbori pot identifica biomarkeri candidați, dar scurgerile de date, reglajul repetat, selecția bazată pe rezultate și explicațiile instabile pot produce rezultate excesiv de optimiste.
Învățarea profundă este utilă pentru datele nonliniare și structurate, cum ar fi imaginile, matricele și grafurile. Învățarea de reprezentare poate genera învățături reutilizabile, în timp ce învățarea auto-supervizată poate valorifica datele neetichetate pentru sarcini care necesită transfer între setări.
Învățarea automată multimodală integrează imagistica, măsurătorile de laborator, datele clinice longitudinale și alte surse. Învățarea prin transfer poate utiliza seturi mari de date din dosarele electronice de sănătate pentru a sprijini cohorte mai mici de omică și clinice.
Rețelele neuronale grafice pot modela relațiile dintre gene, proteine, căi, medicamente și fenotipuri, integrând structura biologică în învățare. Modelele fundamentale antrenate pe seturi mari de date biologice pot oferi reprezentări reutilizabile pentru sarcini legate de omică, descoperirea medicamentelor și analiza biologică. Aceste modele pot, de asemenea, să codifice semnale de lot, apartenență etnică sau locale care apar ca biomarkeri dacă cercetătorii nu le controlează.
Modelele generative și cele asistate de simulare pot propune semnături candidat, stări moleculare, răspunsuri la perturbări, ipoteze despre căi și mecanisme posibile. Astfel de rezultate ar trebui tratate inițial ca ipoteze, nu ca dovezi.
Avansarea unui candidat necesită consistență internă, replicare externă, teste de stabilitate în diverse populații și platforme, precum și beneficii semnificative clinice. Metodele de explicabilitate pot sprijini auditul și transparența, dar nu pot substitui validarea biologică sau testarea experimentală.
Majoritatea biomarkerilor derivați din IA sunt corelaționali: ei identifică modele asociate cu rezultatele, fără a stabili de ce apar acele modele. Astfel de markeri pot fi încă utili pentru stratificarea riscurilor, dar dovezile mecaniciste sunt importante atunci când un marker este folosit pentru a ghida terapia sau pentru a identifica o țintă de tratament.
IA mecanistică încorporează căi biologice, rețele, date de perturbare sau structuri cauzale pentru a conecta semnăturile cu procesele bolii. Modelele constrânse de căi pot codifica relațiile de semnal cunoscute, în timp ce seturile de date de perturbare din experimentele CRISPR, teste de răspuns la medicamente și stimularea citokinelor pot ajuta la distingerea factorilor cauzali de corelațiile ulterioare.
Învățarea de reprezentare cauzală caută caracteristici care rămân stabile în urma intervenției, dar datele observaționale sunt vulnerabile la confuzia ne măsurată și la schimbările în boală de-a lungul timpului.
Biomarkerii de stare a căii pot surprinde activitatea funcțională mai eficient decât măsurile de abundență moleculară izolate. Aceștia evaluează modul în care o rețea de molecule interacționează, în loc să măsoare un singur component.
Articolul discută căile fosfoinozitol 3-kinaza–proteina kinază B–ținta mecanică a rapamicinei, proteina kinază activată de mitogen, factorul nuclear kappa B și căile Janus kinase–activator de semnal și transductor pentru a ilustra sistemele biologice în schimbare, activarea cărora nu poate fi întotdeauna dedusă din componente individuale.
Capcanele extracelulare ale neutrofilelor oferă un alt exemplu: acestea pot reflecta interacțiunea dintre procesele inflamatorii și cele de coagulare, dar valoarea lor în ghidarea tratamentului trebuie încă testată.
Abordările mecanistice pot sprijini clasificarea răspunsului la tratament, strat
