Los investigadores del MIT han desarrollado un nuevo entorno teórico para estudiar los mecanismos de las interacciones de tratamiento. Su enfoque permite a los científicos estimar de modo competente cómo las combinaciones de tratamientos afectarán a un montón de unidades, como las células, lo que permite a un investigador realizar menos experimentos costosos mientras recopila datos más precisos.
Como ejemplo, para estudiar cómo los genes interconectados afectan el crecimiento de las células cancerosas, un biólogo podría carecer usar una combinación de tratamientos para atacar múltiples genes a la vez. Pero correcto a que podría deber miles de millones de combinaciones potenciales para cada ronda del examen, nominar un subconjunto de combinaciones para probar podría sesgar los datos que genera su examen.
En contraste, el nuevo entorno considera el tablado en el que el usufructuario puede diseñar eficientemente un examen imparcial al asignar todos los tratamientos en paralelo y puede controlar el resultado ajustando la velocidad de cada tratamiento.
Los investigadores del MIT teóricamente demostraron una logística casi óptima en este entorno y realizaron una serie de simulaciones para probarla en un examen multirondeo. Su método minimizó la tasa de error en cada instancia.
Esta técnica podría algún día ayudar a los científicos a comprender mejor los mecanismos de enfermedades y desarrollar nuevos medicamentos para tratar el cáncer o los trastornos genéticos.
«Hemos introducido un concepto de concepto en el que las personas pueden pensar más mientras estudian la forma óptima de separar tratamientos combinatorios en cada ronda de un examen. Nuestra esperanza es que esto pueda estilarse algún día para resolver preguntas biológicamente relevantes», dice el estudiante titulado Jiaqi Zhang, un becario del Centro Eric y Wendy Schmidt y co-líder de un autor principal de un papel en este entorno de diseño positivo.
Se une en el informe por la co-líder Divya Shyamal, una estudiante de MIT; y la autora senior Caroline Uhler, profesora de ingeniería de Andrew y Erna Viterbi en EEC y el Instituto del MIT para Datos, Sistemas y Sociedad (IDSS), quien además es director del Centro Eric y Wendy Schmidt e investigador del Laboratorio del MIT para Sistemas de Información y Audacia (LIDS). La investigación se presentó recientemente en la Conferencia Internacional sobre Formación Autor.
Tratamientos simultáneos
Los tratamientos pueden interactuar entre sí de modo compleja. Por ejemplo, un sabio que intenta determinar si un cierto gen contribuye a un huella de enfermedad particular puede tener que apuntar a varios genes simultáneamente para estudiar los género.
Para hacer esto, los científicos usan lo que se conoce como perturbaciones combinatorias, donde aplican múltiples tratamientos a la vez al mismo montón de células.
«Las perturbaciones combinatorias le darán una red de detención nivel de cómo interactúan los diferentes genes, lo que proporciona una comprensión de cómo funciona una célula», explica Zhang.
Cedido que los experimentos genéticos son costosos y requieren mucho tiempo, el sabio tiene como objetivo separar el mejor subconjunto de combinaciones de tratamiento para probar, lo cual es un musculoso desafío correcto a la gran cantidad de posibilidades.
Nominar un subconjunto subóptimo puede difundir resultados sesgados centrándose solo en combinaciones que el usufructuario seleccionó por superior.
Los investigadores del MIT abordaron este problema de modo diferente al observar un entorno probabilístico. En puesto de centrarse en un subconjunto seleccionado, cada mecanismo toma aleatoriamente combinaciones de tratamientos basados en los niveles de dosificación especificados por el usufructuario para cada tratamiento.
El usufructuario establece los niveles de dosificación en función del objetivo de su examen, tal vez este sabio quiere estudiar los género de cuatro fármacos diferentes en el crecimiento celular. El enfoque probabilístico genera datos menos sesgados porque no restringe el examen a un subconjunto predeterminado de tratamientos.
Los niveles de dosificación son como probabilidades, y cada célula recibe una combinación aleatoria de tratamientos. Si el usufructuario establece una dosis suscripción, es más probable que la mayoría de las células tomen ese tratamiento. Un subconjunto más pequeño de células ocupará ese tratamiento si la dosis es desprecio.
«A partir de ahí, la pregunta es ¿cómo diseñamos las dosis para que podamos estimar los resultados con la anciano precisión posible? Aquí es donde entra nuestra teoría», agrega Shyamal.
Su entorno teórico muestra la mejor modo de diseñar estas dosis para que uno pueda ilustrarse más sobre la característica o cualidad que están estudiando.
Luego de cada ronda del examen, el usufructuario recopila los resultados y alimenta los que vuelve al entorno positivo. Expulsará la logística de dosificación ideal para la próxima ronda, y así sucesivamente, adaptando activamente la logística en múltiples rondas.
Optimizar las dosis, minimizar el error
Los investigadores demostraron que su enfoque teórico genera dosis óptimas, incluso cuando los niveles de dosificación se ven afectados por un suministro constreñido de tratamientos o cuando el ruido en los resultados experimentales varía en cada ronda.
En las simulaciones, este nuevo enfoque tuvo la tasa de error más desprecio al comparar los resultados estimados y reales de los experimentos multirondeos, superando dos métodos de narración.
En el futuro, los investigadores quieren mejorar su entorno positivo para considerar la interferencia entre las unidades y el hecho de que ciertos tratamientos pueden conducir a un sesgo de selección. Además les gustaría aplicar esta técnica en un entorno positivo vivo.
«Este es un nuevo enfoque para un problema muy interesante que es difícil de resolver. Ahora, con este nuevo entorno en la mano, podemos pensar más sobre la mejor modo de diseñar experimentos para muchas aplicaciones diferentes», dice Zhang.
Esta investigación es financiada, en parte, por el Software Innovador de Oportunidades de Investigación de Pregrado en MIT, Apple, los Institutos Nacionales de Vigor, la Oficina de Investigación Naval, el Área de Energía, el Centro Eric y Wendy Schmidt en el Broad Institute, y un Premio de Investigador Simons.