OmicsFootPrint wyróżnia się tym, że skutecznie generuje wartościowe wyniki nawet przy ograniczonej liczbie dostępnych danych. Wykorzystuje zaawansowane techniki sztucznej inteligencji, w tym tzw. transfer learning, czyli zdolność uczenia się na podstawie istniejących informacji i stosowania nabytej wiedzy do nowych przypadków. W jednym z badań narzędzie uzyskało ponad 95% dokładności w identyfikacji podtypów raka płuc, wykorzystując jedynie 20% standardowej ilości danych.
Omika to dziedzina nauki badająca zależności pomiędzy genami, białkami oraz innymi danymi molekularnymi w organizmie. Dzięki ich analizie można lepiej zrozumieć funkcjonowanie organizmu oraz mechanizmy prowadzące do rozwoju różnych chorób. OmicsFootPrint umożliwia przedstawienie takich informacji w intuicyjny i przejrzysty sposób, co może pomóc lekarzom i badaczom w identyfikowaniu wzorców powiązanych z rozwojem chorób, takich jak nowotwory czy schorzenia neurologiczne. Może to również wspierać personalizację terapii poprzez precyzyjną diagnozę i dostosowanie metod leczenia.
Poza zastosowaniami badawczymi, OmicsFootPrint ma również duży potencjał kliniczny. Narzędzie to pozwala na kompresję dużych zbiorów danych biologicznych do zwartych obrazów, które zajmują tylko 2% pierwotnej przestrzeni przechowywania. Taka forma danych może być z łatwością integrowana z elektroniczną dokumentacją medyczną, co w przyszłości może znacząco wspomóc diagnostykę oraz personalizację leczenia pacjentów.
Naukowcy z Mayo Clinic opracowali przełomowe narzędzie oparte na sztucznej inteligencji, nazwane OmicsFootPrint, które umożliwia przekształcanie złożonych danych biologicznych w czytelne, dwuwymiarowe obrazy w formie okręgów. Szczegółowe informacje na temat tego innowacyjnego rozwiązania zostały opublikowane w czasopiśmie Nucleic Acids Research.
Analiza wykazała również, że połączenie różnych typów danych molekularnych pozwala uzyskać bardziej precyzyjne wyniki niż ich oddzielne wykorzystanie.
W ramach przeprowadzonych badań zastosowano OmicsFootPrint do analizy reakcji na leki oraz danych multiomiki dotyczących nowotworów. Narzędzie osiągnęło imponującą skuteczność w rozpoznawaniu dwóch typów raka piersi – raka zrazikowego i raka przewodowego – z dokładnością na poziomie 87%. W przypadku raka płuc jego skuteczność była jeszcze wyższa – przekroczyła 95% w identyfikacji gruczolakoraka oraz raka płaskonabłonkowego.
Zespół badawczy planuje dalszy rozwój OmicsFootPrint, rozszerzając jego zastosowanie na inne choroby, w tym schorzenia neurologiczne oraz inne złożone zaburzenia. Trwają także prace nad ulepszeniem algorytmów, które pozwolą narzędziu na jeszcze większą dokładność i zdolność do identyfikacji nowych markerów chorób oraz potencjalnych celów leczenia.
„Takie podejście może być niezwykle przydatne w badaniach, nawet wtedy, gdy próbki danych są niewielkie, co często ma miejsce w badaniach klinicznych” – podkreśla dr Kalari.
Dane stają się najpotężniejsze wtedy, gdy potrafimy dostrzec historię, jaką opowiadają. OmicsFootPrint może otworzyć drzwi do odkryć, które dotąd pozostawały poza naszym zasięgiem.”
Geny pełnią funkcję instrukcji dla organizmu, podczas gdy białka realizują te wytyczne, zapewniając prawidłowe funkcjonowanie komórek. Czasami jednak mutacje genetyczne mogą zakłócać ten proces, prowadząc do rozwoju chorób. OmicsFootPrint pozwala na analizę i wizualizację takich zmian, przekształcając informacje o aktywności genów, mutacjach i poziomach białek w przejrzyste, kolorowe diagramy. Dzięki temu badacze mogą zyskać lepszy wgląd w to, co dzieje się w organizmie pacjenta.
— Krishna Rani Kalari, Ph.D., profesor nadzwyczajny informatyki biomedycznej w Mayo Clinic’s Center for Individualized Medicine
Aby jeszcze bardziej zwiększyć precyzję modelu i uzyskać dodatkowe informacje, system OmicsFootPrint wykorzystuje metodę SHAP (SHapley Additive exPlanations). Narzędzie to pozwala zidentyfikować kluczowe markery, geny lub białka, które najbardziej wpływają na wyniki analizy, co umożliwia naukowcom lepsze zrozumienie mechanizmów rządzących danym schorzeniem.
