Hoe kunstmatige intelligentie en fysica ons zullen helpen om kanker te verslaan

Kanker heeft een data probleem. Verbeterde en snellere gen sequentietechnieken leveren stapels nieuwe informatie over genomen op. Binnen al die informatie is vast en zeker waardevolle data die wetenschappers zou kunnen helpen in de jacht voor een nieuwe en betere aanpak om kanker te verslaan.

We kunnen stellen dat de wetenschap, over het algemeen, een data probleem heeft; van astrofysica en klimaatwetenschap tot medicinaal onderzoek. Volgens een groep van wetenschappers onder leiding van Peter Sorger van Harvard Medical School, ligt de oplossing hiervoor buiten de medicijnen. In een paper dat vandaag verscheen in Nature Genetics, beschrijven Sorger en zijn team een wiskundige aanpak om de "sociale netwerken" van cel eiwitten te identificeren met behulp van technieken uit de statistiek fysica en de kunstmatige intelligentie.

"[ De Cancer Genome Atlas] en vergelijkbare projecten hebben enorme hoeveelheden data voortgebracht over het mutatie landschap van tumors," schrijft Sorger en zijn team."Om functionele consequenties va deze mutaties te begrijpen, is het noodzakelijk om na te gaan hoe ze de eiwit-eiwit interactie netwerken veranderen die betrokken zijn bij het reguleren van cellulaire fenotypes.

Het interpreteren van al deze data is problematisch geweest, volgens het huidige paper, in de absentie van een verenigd raamwerk waarin het mogelijk is om verschillende metingen uit te voeren en solide modellen van de mutatie van kanker te creëren.

Het werk van Sorger focust in het bijzonder op eiwit interactie domeinen (PID), een soort van sociale netwerken die als locaties dienen voor cel signalering. Als er iets fout gaat met deze signalen dan krijgen kanker en andere ziekten potentieel een boost.

Het model dat wordt beschreven in het paper van Sorger is gebaseerd op statistieke mechanica, een manier om te voorspellen hoe waarschijnlijk het is dat een systeem, zoals een PID netwerk, zal eindigen in een specifieke status met gebruik van de thermodynamische energie van de huidige status. Het werkt geweldig voor fysica, alleen iets minder voor complexe eiwitten in een oplossing.

Het nieuwe model omzeilt dit door de leertechnieken van machines aan de meer gewone principes van statistieke mechanica te voegen. Hierdoor is het mogelijk om te voorspellen hoe een individuele mutatie zich zal verspreiden door een netwerk, ook als dat netwerk enorm groot en enorm complex is. Met gebruik van hun model was het Harvard Team in staat  om het signaal netwerk van niertumoren hieronder te maken.

Een van de ontdekkingen die tot nu toe uit model is af te lezen heeft te maken met zeldzame genetische mutaties. Omdat ze zeldzaam zijn, worden deze mutaties doorgaans vaak opzij gezet (in relatie tot gewone mutaties), maar het blijkt dat ze een vergelijkbare invloed hebben op hun omliggend netwerk.

"Beide soorten van mutaties zijn even sterk," stelde Mohammed Al Quraishi, een van de auteurs in een statement. "In beide gevallen verandert ongeveer één procent van de normale en één procent van de zeldzame mutaties de netwerken die wij bestuderen. Maar toch worden zeldzame mutaties grotendeels genegeerd. We moeten er meer aandacht aan besteden."

Algemene methodes en ideeën worden constant verbeterd en verfijnd door de interacties tussen verschillende velden van de wetenschap. Dit is niet de eerste keer dat verschillende methoden van andere wetenschappelijke gebieden succesvol bleken in anderen.

De methode om verafgelegen supernova's te catalogiseren, zou dus ooit misschien wel je leven redden.