IT Industrija
🔥 Najčitanije
🔥 Najčitanije
Odgovor na pitanje iz naslova daćemo odmah: mašinsko učenje daje vetar u leđa naprecima u medicini koja bi postotak preživljavanja u slučaju raka mogli da povećaju na 80% omogućivši ranu detekciju. Anđelina je proponent komplementarnog pristupa – rane prevencije. Oba rešenja ima za cilj rano izbegavanje ravijanja bolesti raka.
U nedavnom izveštaju Gabriela Ota, Vilaja Pandeja i Malinke Valalijate predstavljen je trenutni status mašinskog učenja primenjenog u biologiji sa svim izazovima i perspektivama za budućnost. Najviše iskustva u ovoj oblasti su stekli kroz Freenome koji ima za cilj da izleči rak putem rane detekcije koristeći mašinsko učenje i druge softverske tehnike uz DNK analizu.
Velika očekivanja sekvenciranja humanog genoma
Humani genom je mnogo kompleksniji i komplikovaniji nego što se mislilo — ovo je ujedno i najvažniji zaključak u iskustvu njegovog sekvenciranja. Velika očekivanja ovog procesa nisu predvidela ogromnu količinu podataka koja treba da se uskladišti i da se iz nje izdvoje smisleni zaključci.
U početku se smatralo da će sekvenciranje otkriti uzroke svih bolesti, ali se ispostavilo da za to nije dovoljno ni dotadašnjih sekvenciranih 20,000 gena. Danas, mašinsko učenje i hardver pomažu da se do saznanja ne ide ručno već uz kompjutersku podršku što dodatno ubrzava istraživanja.
80-ih i 90-ih godina glavna i dovoljna tema istraživanja i doktorskih teza bila je analiza point mutacija na primerima Hantingtonove bolesti, kancera i drugih koja proučavapromene/mutacije na samo jednom genu. Međutim, većina bolesti zapravo nije takva. Geni poput p53, k-RAS i h-RAS su ’’dežurni krivci’’ koji su najčešće analizirani i istraživanje je fiksiralo način na koji oni utiču na telo, bez uvida o njihovim interakcijama.
Većina bolesti uključuje više gene uz njihove specifične interakcije što ove bolesti čini kompleksnim i komplikovanim za analizu. Jedna bolest čini orkestrovane interakcije gena pre nego promene na samo jednom genu što sve eskalira do fiziološkog nivoa proizvodnje proteina i funkcionisanja. Sa druge strane, ova kompleksnost je proizvela novu oblast → sistemsku biologiju koja proučava baš ove interakcije gena.
Mašinsko učenje povezuje računarstvo i biologiju
U poslednjih 15 godina došlo je do povezivanja biološkog znanja sa kompjuterskim pa je tako Ilumina skratila sekvenciranje sa par dana na samo nekoliko minuta. Mašinsko učenje bi omogućilo iznalaženje smisla u mnogobrojnim podacima tj. izdvajanje relevantnih iz čitave šume podataka.
Zašto je teško naći lek protiv raka?
Naše telo se bori do određenog trenutka imunskim sistemom i uništavanjem loših ćelija raka, ali to nije dovoljno. Kako je to više od jedne bolesti potrebno je napadati sa više strana i pronalaženje novih markera raka koje treba ciljati je veliki izazov. Mašinsko učenje bi moglo da pomogne u pronalaženju većeg broja markera za ranu detekciju. Neće postojati jedan magičan metak koji će uništiti sve mete.
Predstavnici Freenoma su sumirali svoje mišljenje:
Glavni razlog teškog pronalaženja leka protiv raka leži u njegovoj kompleksnosti, jer rak nije jedna već više bolesti u jednoj.
Danas, uz standardne hemoterapije i zračenja postoji samo 20% šansi za preživljavanje, a čak i najbolji lekovi koji postoje u imunoterapiji protiv raka omogućavaju nešto više od 30-40% šansi za preživljavanje dok se ranom detekcijom ta šansa povećava na čak 80%. Rana detekcija ujedno znači i ranu terapiju za maksimalan učinak.
Moderna medicina uključuje detekciju tek sa pojavom prvih simptoma, kada je često već kasno ili se pozitivan učinak lečenja znatno smanjuje — pogotovo u slučaju raka i Parkinsonove bolesti. Takođe je nemoguće i nepraktično testirati se testovima za detekciju iz dana u dan dok se nešto eventualno ne detektuje. Glavni cilj je mogućnost detekcije pre pojave prvih simptoma i pre svega definisanja šta su pravi signali i markeri za detektovanje u tom ranom periodu pojave tumora. Za to do danas ne postoji mogućnost.
Danas postoje tzv. rizik testovi (risk tests) koji se rade pre pojave simptoma i bolesti, ali oni samo pokazuju verovatnoću dobijanja bolesti, a ne i ranu detekciju. Postali su poznati po Anđelini Džoli koja se odlučila na drastične mere prevencije nakon pozitivnih BRCA testova, ali su mere prevencije nakon ovih, pozitivnih testova izbor samih testiranih osoba, a ne i nužno terapijske mere. Terapije bi u budućnosti trebalo da se fokusiraju pre svega na što raniju detekciju.
Biznis i sekvenciranje genoma
Genomika generalno obuhvata dva nivoa:
- Sekvenciranje – ovaj nivo pripada kompanijama koje proizvode mašine za sekvenciranje kao što je Ilumina, Intel, CHiP.
- Primena – kompanije koje izgrađuju hardver koristeći genetičke podatke za formiranje kliničke dijagnostike kao Microsoft.
Ilumina danas drži monopol na nivou sekvenciranja. Nedavno je ipak doživela pad tržišnog kapitala od 20% što je bio signal za industriju da je neophodno inovirati — softver je odličan, ali je potrebna nadogradnja hardvera. Dodatno, često i sam nivo sekvenciranja nosi sa sobom troškove, koji prate Murov zakon.
Glavni uzročnik pada kapitala su druge kompanije koje grade svoje tehnologije kao nadogradnja na tehnologiju Ilumine, tj. na nivou aplikacija. Ono što je neophodno da se desi i industriji genomike je nešto slično današnjem Wintel-u — udruživanju Intela i Windowsa, što je donelo dobro obema stranama. Inovacije u obliku startapa postoje i neke od njih Ilumina je kupila, poput Verinata (kompanija specijalizovana za NAPT – neinvazivno prenatalno testiranje Daunovog sindroma), Grail (sekvenciranje kancera preko krvi) i druge.
Glavni uzrok komercijalnih izazova nije samo u tehnologiji, već u novčanim naknadama i biznis modelu. Kao što je poznato, medicinski sistem SAD se sastoji od tri dela: pacijenta, lekara/snabdevača i platiša/osiguravajućih kompanija. Platiše pokrivaju troškove testova i stoga odlučuju koji testovi i u kojoj meri će se koristiti. Međutim, odlučivačkim sistemima poput Velike Britanije, mnogo veći broj ovih testova biva prihvaćen i korišćen u praksi.
Platiše uglavnom nemaju predstavu dugoročne koristi genetičkih testova za detekciju kao ni njihovo novčano izmirenje, gde je samo 20% ovih testova sa novčanom nadoknadom. Pravilo je da ne investiraju u stvari koje nemaju ROI manji od 2-3 godine, dok je za većinu ovakvih testova neophodno finansiranje više od 3 godine.
Sadašnji medicinski testovi za detekciju bolesti su skupi, a nedovoljno tačni. Za budućnost će biti potrebni jeftiniji i kvalitetniji testovi sa većom preciznošću. Za to su potrebni novi startapi sa novim tehnologijama.
Trendovi i perspektive budućnosti sekvenciranja genoma
Glavna tržišta osim humanog genoma su i genomi biljaka i životinja i njihova primena. Najinteresantija istraživanja bila bi u testiranju useva i uzgajanju različitih rasa pasa. Predviđa se i proširivanje tržišta primene analize humanog genoma na oblasti kao što su:
- Neplodnost
- NAPT – non-invasive prenatal tests (neinvazivni prenatalni testovi)
- Testovi mentalnog zdravlja i predviđanje terapije korišćenjem genetike
- Infektivne bolesti
- CRISPR modifikovanje genoma
Znanja o mogućnostima kombinacije biologije i softvera su tek na svom početku. Sama ćelija je kompjuter za sebe, a gledajući tako onda ljudsko telo predstavlja kompjuter u kompjuteru, koji je u komjuteru…
Predviđa se da ćemo uskoro u kućnim uslovima samostalno raditi sekvenciranje genoma, što je prikazano i u filmu Elysium. Nešto slično se već desilo računarima koji su danas personalizovani i široko korišćeni. Uzbudljive nove tehnologije i nove inovacije u sferi zdravja i medicine su tek pred nama.
Tekst je prevod i adaptacija epizode a16z podkasta koja se bavila biotehnologijom.