Os pesquisadores do MIT desenvolveram uma nova estrutura teórica para o estudo dos mecanismos das interações de tratamento. Sua abordagem permite que os cientistas estimam com eficiência como as combinações de tratamentos afetarão um grupo de unidades, como células, permitindo que um pesquisador understand menos experimentos caros enquanto coleta dados mais precisos.
Como exemplo, para estudar como os genes interconectados afetam o crescimento das células cancerígenas, um biólogo pode precisar usar uma combinação de tratamentos para atingir vários genes de uma só vez. Mas como pode haver bilhões de combinações em potencial para cada rodada do experimento, escolher um subconjunto de combinações para testar pode influenciar os dados que seu experimento gera.
Por outro lado, a nova estrutura considera o cenário em que o usuário pode projetar com eficiência um experimento imparcial, atribuindo todos os tratamentos em paralelo e pode controlar o resultado ajustando a taxa de cada tratamento.
Teoricamente, os pesquisadores do MIT se mostraram uma estratégia quase superb nessa estrutura e realizou uma série de simulações para testá-la em um experimento multiround. Seu método minimizou a taxa de erro em cada instância.
Uma técnica poderia algum dia ajudar os cientistas a entender melhor os mecanismos de doenças e a desenvolver novos medicamentos para tratar o câncer ou distúrbios genéticos.
“Introduzimos um conceito que as pessoas podem pensar mais ao estudar a maneira superb de selecionar tratamentos combinatórios em cada rodada de um experimento. Nossa esperança é que um dia seja usado para resolver questões biologicamente relevantes”, diz o estudante de graduação Jiaqi Zhang, um membro do Wendy Schmidt Heart e co-lead de A Authing of A, papel Nesta estrutura de design experimental.
A ela se junta ao artigo da co-líder Divya Shyamal, uma graduação do MIT; e a autora sênior Caroline Uhler, a professora de engenharia de Andrew e Erna Viterbi em EECs e o MIT Institute for Knowledge, Methods and Society (IDSS), que também é diretor do Eric e Wendy Schmidt Heart e pesquisador do MIT Laboratory for Info and Choice Methods (Lids). A pesquisa foi apresentada recentemente na Conferência Internacional sobre aprendizado de máquina.
Tratamentos simultâneos
Os tratamentos podem interagir entre si de maneiras complexas. Por exemplo, um cientista que tenta determinar se um determinado gene contribui para uma determinada doença sintoma pode ter que atingir vários genes simultaneamente para estudar os efeitos.
Para fazer isso, os cientistas usam o que é conhecido como perturbações combinatórias, onde aplicam vários tratamentos ao mesmo tempo ao mesmo grupo de células.
“As perturbações combinatórias fornecerão uma rede de alto nível de como diferentes genes interagem, o que fornece uma compreensão de como uma célula funciona”, explica Zhang.
Como os experimentos genéticos são caros e demorados, o cientista pretende selecionar o melhor subconjunto de combinações de tratamento para testar, o que é um desafio acentuado devido ao grande número de possibilidades.
Escolher um subconjunto abaixo do superb pode gerar resultados tendenciosos, concentrando -se apenas nas combinações que o usuário selecionou com antecedência.
Os pesquisadores do MIT abordaram esse problema de maneira diferente, observando uma estrutura probabilística. Em vez de se concentrar em um subconjunto selecionado, cada unidade adota aleatoriamente combinações de tratamentos com base nos níveis de dosagem especificados pelo usuário para cada tratamento.
O usuário outline os níveis de dosagem com base no objetivo de seu experimento – talvez esse cientista queira estudar os efeitos de quatro medicamentos diferentes no crescimento celular. A abordagem probabilística gera dados menos tendenciosos porque não restringe o experimento a um subconjunto de tratamentos predeterminados.
Os níveis de dosagem são como probabilidades e cada célula recebe uma combinação aleatória de tratamentos. Se o usuário definir uma dose alta, é mais provável que a maioria das células aceite esse tratamento. Um subconjunto menor de células adotará esse tratamento se a dose for baixa.
“A partir daí, a questão é como projetamos as dosagens para que possamos estimar os resultados com a maior precisão possível? É onde entra nossa teoria”, acrescenta Shyamal.
Sua estrutura teórica mostra a melhor maneira de projetar essas dosagens para que se possa aprender mais sobre a característica ou característica que estão estudando.
Após cada rodada do experimento, o usuário coleta os resultados e os alimenta à estrutura experimental. Ele produzirá a estratégia de dosagem superb para a próxima rodada e assim por diante, adaptando ativamente a estratégia em várias rodadas.
Otimizando dosagens, minimizando o erro
Os pesquisadores provaram que sua abordagem teórica gera doses ideais, mesmo quando os níveis de dosagem são afetados por um suprimento limitado de tratamentos ou quando o ruído nos resultados experimentais varia a cada rodada.
Nas simulações, essa nova abordagem teve a menor taxa de erro ao comparar resultados estimados e reais de experimentos multiround, superando dois métodos de linha de base.
No futuro, os pesquisadores desejam aprimorar sua estrutura experimental para considerar a interferência entre as unidades e o fato de que certos tratamentos podem levar ao viés de seleção. Eles também gostariam de aplicar essa técnica em um ambiente experimental actual.
“Esta é uma nova abordagem para um problema muito interessante que é difícil de resolver. Agora, com essa nova estrutura em mãos, podemos pensar mais na melhor maneira de projetar experimentos para muitas aplicações diferentes”, diz Zhang.
Esta pesquisa é financiada, em parte, pelo Programa Avançado de Oportunidades de Pesquisa de Graduação no MIT, Apple, The Nationwide Institutes of Well being, Workplace of Naval Analysis, o Departamento de Energia, o Eric e o Wendy Schmidt Heart no Broad Institute e um Simons Investigator Award.