W MIT naukowcy poczynili ogromny post\u0119p w zakresie przyspieszenia, zwi\u0119kszenia niezawodno\u015bci i obni\u017cenia koszt\u00f3w eksperyment\u00f3w naukowych \u2014 zw\u0142aszcza w przypadku bada\u0144 nad z\u0142o\u017conymi uk\u0142adami, takimi jak genetyka czy nowotwory. Zamiast trzyma\u0107 si\u0119 stosowanych od dziesi\u0119cioleci metod opartych na pr\u00f3bach i b\u0142\u0119dach, kt\u00f3re z trudem nad\u0105\u017caj\u0105 za wsp\u00f3\u0142czesnymi wyzwaniami naukowymi, ta nowa strategia wprowadza \u015bwie\u017ce podej\u015bcie do radzenia sobie z ogromn\u0105 liczb\u0105 kombinacji terapii \u2013 wyzwaniem, kt\u00f3re od dawna stanowi\u0142o \u017ar\u00f3d\u0142o frustracji dla naukowc\u00f3w na ca\u0142ym \u015bwiecie.<\/p>\n
Wyobra\u017a sobie, \u017ce jeste\u015b naukowcem pr\u00f3buj\u0105cym ustali\u0107, jak r\u00f3\u017cne kombinacje terapii genowych mog\u0105 wp\u0142ywa\u0107 na rozw\u00f3j nowotworu. Tradycyjnie musia\u0142by\u015b zmierzy\u0107 si\u0119 z procesem, kt\u00f3ry jest zar\u00f3wno czasoch\u0142onny, jak i zniech\u0119caj\u0105cy \u2014 istnieje bowiem miliardy mo\u017cliwych kombinacji. Przetestowanie ka\u017cdej z nich? Nie ma mowy. Je\u015bli wypr\u00f3bujesz tylko kilka, wyniki mog\u0105 by\u0107 zniekszta\u0142cone. Zawsze istnieje ryzyko, \u017ce niekt\u00f3re istotne interakcje mog\u0105 umkn\u0105\u0107 Twojej uwadze.<\/p>\n
Aby zrewolucjonizowa\u0107 ten \u017cmudny proces, zesp\u00f3\u0142 z MIT stworzy\u0142 model probabilistyczny, kt\u00f3ry ca\u0142kowicie zmienia zasady gry. Zamiast z g\u00f3ry decydowa\u0107, kt\u00f3re kombinacje nale\u017cy przetestowa\u0107, naukowcy przypisuj\u0105 teraz zabiegi losowo, ale w spos\u00f3b, kt\u00f3ry nadal uwzgl\u0119dnia poziomy dawek, na kt\u00f3rych im zale\u017cy. Na przyk\u0142ad ka\u017cda kom\u00f3rka jest poddawana r\u00f3wnolegle r\u00f3\u017cnym zabiegom, zgodnie ze starannie zaprojektowanymi prawdopodobie\u0144stwami. Eliminuje to wiele domys\u0142\u00f3w, zmniejsza stronniczo\u015b\u0107 i pozwala uzyska\u0107 pe\u0142niejszy obraz tego, w jaki spos\u00f3b r\u00f3\u017cne zabiegi mog\u0105 na siebie oddzia\u0142ywa\u0107.<\/p>\n
Pojawia si\u0119 jednak jeszcze jedno wa\u017cne pytanie: w jaki spos\u00f3b naukowcy mog\u0105 ustali\u0107 odpowiedni\u0105 dawk\u0119 dla ka\u017cdego leczenia, aby jak najdok\u0142adniej zrozumie\u0107 jego skutki? Zesp\u00f3\u0142 z MIT zaproponowa\u0142 nowatorskie rozwi\u0105zanie. Pomy\u015bl o dawce jak o rzucie obci\u0105\u017con\u0105 monet\u0105 \u2013 wy\u017csza dawka oznacza wi\u0119ksze prawdopodobie\u0144stwo wypadni\u0119cia \u201cor\u0142a\u201d, wi\u0119c ta terapia jest stosowana cz\u0119\u015bciej; ni\u017csza dawka \u2013 rzadziej. Z biegiem czasu eksperyment dostosowuje te \u201cprawdopodobie\u0144stwa\u201d na podstawie informacji zwrotnych z poprzednich rund. Ka\u017cda korekta przybli\u017ca eksperyment do najskuteczniejszej mieszanki i st\u0119\u017cenia, opieraj\u0105c si\u0119 na danych, a nie na przeczuciu.<\/p>\n
Najbardziej ekscytuj\u0105ce jest to, \u017ce naukowcy nie musz\u0105 zadowala\u0107 si\u0119 podej\u015bciem typu \u201craz i koniec\u201d. W miar\u0119 nap\u0142ywania nowych wynik\u00f3w mog\u0105 oni dopracowywa\u0107 swoj\u0105 strategi\u0119, dzi\u0119ki czemu ka\u017cda kolejna runda eksperyment\u00f3w jest bardziej przemy\u015blana ni\u017c poprzednia. Jest to szczeg\u00f3lnie przydatne, gdy zasoby s\u0105 ograniczone lub dane zawieraj\u0105 zak\u0142\u00f3cenia \u2014 innymi s\u0142owy, w rzeczywistych warunkach, z kt\u00f3rymi naukowcy maj\u0105 do czynienia na co dzie\u0144.<\/p>\n
Po przeprowadzeniu serii symulacji zesp\u00f3\u0142 stwierdzi\u0142, \u017ce ich nowa metoda konsekwentnie przewy\u017csza\u0142a tradycyjne podej\u015bcia pod wzgl\u0119dem przewidywania wynik\u00f3w, zw\u0142aszcza w przypadku eksperyment\u00f3w przebiegaj\u0105cych w kilku fazach. Jak stwierdzi\u0142 jeden z g\u0142\u00f3wnych autor\u00f3w badania, Jiaqi Zhang, istnieje nadzieja, \u017ce podej\u015bcie to otworzy drog\u0119 do odpowiedzi na niekt\u00f3re z najwa\u017cniejszych pyta\u0144 w biologii.<\/p>\n
Ta nowa koncepcja mo\u017ce zrewolucjonizowa\u0107 spos\u00f3b badania system\u00f3w biologicznych, potencjalnie prowadz\u0105c do prze\u0142omowych odkry\u0107 w leczeniu chor\u00f3b genetycznych, nowotwor\u00f3w i nie tylko. Naukowcy nie zamierzaj\u0105 na tym poprzesta\u0107 \u2014 planuj\u0105 dalej udoskonala\u0107 sw\u00f3j model, zajmuj\u0105c si\u0119 takimi wyzwaniami, jak wzajemny wp\u0142yw r\u00f3\u017cnych pr\u00f3bek na siebie nawzajem czy te\u017c spos\u00f3b, w jaki do eksperyment\u00f3w wkradaj\u0105 si\u0119 b\u0142\u0119dy selekcyjne. Kolejnym krokiem b\u0119d\u0105 testy w warunkach rzeczywistych, w ramach kt\u00f3rych naukowcy zamierzaj\u0105 podda\u0107 swoje odkrycia ostatecznej weryfikacji.<\/p>\n
Prace te by\u0142y prowadzone pod kierownictwem Jiaqi Zhanga i Divyi Shyamala, a ich g\u0142\u00f3wnym autorem by\u0142a Caroline Uhler; wsparcie zapewni\u0142y MIT, firma Apple, r\u00f3\u017cne agencje federalne oraz kilku innych sponsor\u00f3w. Wyniki bada\u0144 zosta\u0142y po raz pierwszy zaprezentowane podczas Mi\u0119dzynarodowej Konferencji po\u015bwi\u0119conej uczeniu maszynowemu i wkr\u00f3tce mog\u0105 sta\u0107 si\u0119 punktem zwrotnym w sposobie prowadzenia bada\u0144 naukowych na ca\u0142ym \u015bwiecie.<\/p>\n