En brukervennlig og intelligent plattform
Brystkreft er en av de mest utbredte kreftformene blant kvinner. Behandlingen er en kompleks prosess som krever nøye utvalg av medisiner tilpasset hver enkelt pasients unike molekylære profil.
Dette er en klinisk utfordring, fordi effektiviteten av kreftmedisiner er sterkt avhengig av individuelle egenskaper på molekylært nivå.
Her kan du lese om hvordan vår greske søsterorganisasjon har hjulpet JADBio med å ta i bruk en HPC-støttet (tungregning) maskinlæringsmetode.
Teknisk/vitenskapelig utfordring
JADBio er en robust AutoML-plattform som er spesialisert på BioMed og Multi-omics. JADBio har hovedkontor på Kreta, Hellas og i LA, California, USA. Vår søsterorganisasjon, det greske kompetansesenteret for HPC har hjulpet JADBiom med å utvikle en løsning som bruker en HPC-støttet maskinlæringsmetode for å analysere et stort initialt datasett.
Ved å kombinere en helhetlig maskinlæringsplattform med smarte funksjonsvalg og gjenbruk av prediktive modeller, blir det enkelt og rimelig for dataforskere og fagfolk inne livsvitenskap å fremskaffe ny databasert innsikt.
Automatisering av flere manuelle prosesser, gjør at dataanalytikerne kan fokusere på det som virkelig betyr noe: problemet og løsningen.
Målet har vært å implementere en brukervennlig og intelligent plattform som kan identifisere de medisinene som mest sannsynlig vil oppnå høy effektivitet hos hver enkelt pasient basert på pasientens spesifikke molekylære profiler.
Løsning
Eksperimentet involverte grundige analyser av en stor mengde offentlig tilgjengelige data. Dette inkluderte et datasett kalt NCI-60, som kobler 60 forskjellige typer menneskelige kreftceller til over 50 000 forskjellige stoffer og deres evne til å bekjempe kreft.
Ved å bruke spesifikke kriterier for kvalitet, ble nesten 6 000 av disse stoffene, inkludert 335 medisiner som enten er godkjent av FDA eller under utprøving, valgt ut for videre analyse.
Med hjelp fra JADBio sin AutoML-plattform og høytytende databehandlingsressurser (HPC), ble det bygget maskinlæringsmodeller (ML-modeller) for de valgte stoffene. Disse modellene ble brukt til å forutsi hvordan de forskjellige stoffene ville påvirke behandlingsresultatene.
For å tidlig kunne bekrefte at ML-modellene fungerte som de skulle, ble det utført en uavhengig analyse av biologisk tekst. Denne analysen avdekket åtte spesifikke modeller som er spesielt relevante for brystkreft. Disse åtte modellene var også blant de 119 mest lovende modellene identifisert av ML. De inkluderer modeller for viktige medisinklasser som brukes i behandling av brystkreft. Dette bekrefter verdien av å bruke HPC-støttet ML i denne forskningen og legger grunnlaget for videre klinisk validering.
Forretningspåvirkning
Med en slik forbedret respons på prediksjonstesten, er det et stort markedspotensial som kan utnyttes - selv ved bruk av svært konservative antagelser. Markedslanseringen forventes i midten av 2024 i Tyskland og de nordiske landene, hvor 23 000 tilfeller av brystkreft blir nydiagnostisert per år.
Forretningsmodellen er svært skalerbar, og systemet kan brukes på enhver type svulst og enhver medisin som har vist toksisitet.
Illustrasjonen som tilhører denne saken er fremstilt ved hjelp av kunstig intelligens.
Mer om denne brukerhistorien
Problemet og løsningen som er beskrevet her kommer fra en use case gjennomført av vår søsterorganisasjon, Det nasjonale kompetansesenteret for HPC i Hellas.
Du kan lese mer på side 80-81 i denne samlingen av europeiske use case: