الأخبار التكنولوجية والاستعراضات والنصائح!

تعرف على CancerGPT: نموذج مقترح يستخدم نموذجًا لغويًا كبيرًا للتنبؤ بأوجه التآزر بين أزواج الأدوية على أنسجة معينة في إعداد قليل الطلقات

ستساعدك المقالة التالية: تعرف على CancerGPT: نموذج مقترح يستخدم نموذجًا لغويًا كبيرًا للتنبؤ بأوجه التآزر بين أزواج الأدوية على أنسجة معينة في إعداد قليل الطلقات

يستخدم أحدث تكرار للذكاء الاصطناعي نماذج الأساس. يمكن استخدام نماذج الأساس أو النماذج “العامة” للعديد من المهام النهائية دون تدريب معين بدلاً من بناء نماذج الذكاء الاصطناعي التي تعالج مهام محددة واحدة تلو الأخرى. على سبيل المثال ، أحدثت النماذج اللغوية الضخمة المدربة مسبقًا GPT-3 و GPT-4 ثورة في نموذج الذكاء الاصطناعي الأساسي. قد تستخدم LLM التعلم قليل اللقطات أو بدون طلقة لتطبيق معرفتها على المهام الجديدة التي لم يتم تدريسها لها بعد. يعد التعلم متعدد المهام ، الذي يمكّن LLM من التعلم من المهام الضمنية في مجموعة التدريب الخاصة به عن طريق الخطأ ، مسؤولاً جزئياً عن ذلك.

على الرغم من أن LLM قد أثبتت الكفاءة في التعلم القليل في العديد من التخصصات ، بما في ذلك رؤية الكمبيوتر والروبوتات ومعالجة اللغة الطبيعية ، إلا أن قابليتها للتعميم على المشكلات التي لا يمكن ملاحظتها في المجالات الأكثر تعقيدًا مثل علم الأحياء لم يتم فحصها بدقة. يعد فهم الأطراف المعنية والأنظمة البيولوجية الأساسية أمرًا ضروريًا لاستنتاج تفاعلات بيولوجية غير ملحوظة. معظم هذه المعلومات موجودة في الأدبيات ذات النص الحر ، والتي يمكن استخدامها لتدريب LLMs ، بينما تغلف قواعد البيانات المنظمة كمية صغيرة فقط. يعتقد باحثون من جامعة تكساس ، وجامعة ماساتشوستس أمهيرست ، ومركز العلوم الصحية بجامعة تكساس أن ماجستير إدارة الأعمال ، الذي يستخلص المعرفة السابقة من الأدبيات غير المنظمة ، قد يكون طريقة إبداعية لتحديات التنبؤ البيولوجي حيث يوجد نقص في البيانات المنظمة وأحجام العينات الصغيرة.

تتمثل المشكلة الحاسمة في مثل هذا التنبؤ البيولوجي في التنبؤ بتآزر أزواج الأدوية في أنواع السرطان التي لم يتم استكشافها جيدًا. تعد تركيبات الأدوية في العلاج الآن ممارسة شائعة لإدارة الحالات التي يصعب علاجها ، بما في ذلك السرطان والالتهابات المعدية والاضطرابات العصبية. يقدم العلاج المركب في كثير من الأحيان نتائج علاجية فائقة مقارنة بالعلاج بدواء واحد. ركزت أبحاث اكتشاف الأدوية وتطويرها بشكل متزايد على التنبؤ بتآزر أزواج الأدوية. يصف التآزر بين الأدوية كيف أن استخدام دواءين معًا له تأثير علاجي أكبر من استخدام كل منهما على حدة. بسبب التوليفات المحتملة العديدة والتعقيد للأنظمة البيولوجية الأساسية ، لا يمكن أن يكون التنبؤ بالتآزر بين الأدوية أمرًا سهلاً.

تم إنشاء العديد من التقنيات الحسابية لتوقع التآزر بين الأدوية ، ولا سيما استخدام التعلم الآلي. يمكن استخدام مجموعات بيانات كبيرة لنتائج التجارب المختبرية لتوليفات الأدوية لتدريب خوارزميات التعلم الآلي للعثور على الاتجاهات والتنبؤ باحتمالية التآزر لزوج دواء جديد. يمكن الوصول إلى كمية صغيرة نسبيًا من بيانات التجربة لبعض الأنسجة ، مثل العظام والأنسجة الرخوة. في المقابل ، تتعلق معظم البيانات بأشكال السرطان الشائعة في أنسجة مختارة ، مثل سرطان الثدي وسرطان الرئة. إن حجم بيانات التدريب المتاحة للتنبؤ بتآزر أزواج الأدوية مقيد بالطبيعة المتطلبة جسديًا والمكلفة للحصول على خطوط الخلايا من هذه الأنسجة. قد تحتاج نماذج التعلم الآلي الكبيرة المعتمدة على مجموعة البيانات إلى المساعدة في التدريب.

تجاهلت الأبحاث المبكرة الاختلافات البيولوجية والخلوية لهذه الأنسجة واستقررت درجة التآزر لخطوط الخلايا في الأنسجة الأخرى بناءً على المعلومات العلائقية أو السياقية. من خلال استخدام بيانات متنوعة وعالية الأبعاد ، مثل الملامح الجينومية أو الكيميائية ، حاول خط بحث آخر تقليل التباين عبر الأنسجة. على الرغم من النتائج الواعدة في بعض الأنسجة ، يجب استخدام هذه التقنيات على الأنسجة التي تحتوي على بيانات كافية لتعديل نموذجها مع العديد من المعلمات لتلك الخصائص عالية الأبعاد. إنهم يريدون معالجة المشكلة المذكورة أعلاه التي تواجه LLMs في هذا العمل. يؤكدون أن الأدبيات العلمية لا تزال تحتوي على معلومات مفيدة عن أنواع السرطان مع بيانات منظمة قليلة وخصائص غير متسقة.

ليس من السهل جمع البيانات التنبؤية يدويًا حول مثل هذه الأشياء البيولوجية من الأدب. إن استخدام المعلومات السابقة من المؤلفات العلمية المخزنة في LLM هو استراتيجيتهم الجديدة. لقد أنشأوا نموذجًا يحول وظيفة التنبؤ إلى تحدٍ للاستدلال اللغوي الطبيعي ويولد استجابات بناءً على المعرفة المتجسدة في LLMs ، يُطلق عليها نموذج التنبؤ بالتآزر بين زوج من الأدوية. تُظهر نتائجهم التجريبية أن نموذج التنبؤ قليل اللقطات المستند إلى LLM تفوق على نماذج التنبؤ الجدولي القوية في معظم السيناريوهات وحقق دقة كبيرة حتى في إعدادات اللقطة الصفرية. نظرًا لأنه يُظهر إمكانات عالية في الذكاء الاصطناعي الطبي الحيوي “الاختصاصي” ، فإن أداء التنبؤ غير العادي هذا في واحدة من أصعب مهام التنبؤ البيولوجي له صلة حيوية وفي الوقت المناسب بمجتمع كبير من الطب الحيوي.