Crowdsourcing Science dengan Bayes Expert

Jan 18 2023

Berdasarkan metode ilmiah dan pengalaman puluhan tahun, komunitas ilmiah memiliki metodologi yang mapan dan dihormati untuk menemukan dan menguji kemajuan medis sebelum tersedia untuk umum. Proses itu bisa memakan waktu lama dan rentan terhadap gangguan dari komunitas teknologi. Namun, karena metodologinya sangat berbeda dari metodologi yang mapan dan dihormati, komunitas teknologi mengalami kesulitan mengganggu ruang perawatan kesehatan. Banyak prediktor AI terbaik tidak hanya buram, tetapi mereka juga tidak fokus pada penentuan sebab-akibat dengan cara yang sama seperti Uji Coba Terkendali Acak dan statistik epidemiologi sains.

Perangkat lunak kami untuk menghasilkan model jaringan Bayesian berbasis aturan, Bayes Expert, di sisi lain, bekerja pada tingkat Uji Coba Terkendali Acak dan teori ilmiah yang mendasarinya, menggunakan metodologi yang menghubungkan teori secara ketat sehingga dapat di-crowdsource dalam sebuah cara di mana studi dan data dapat memberikan dukungan satu sama lain.

Kami membuat model jaringan Longevity Bayesian kami dengan Bayes Expert. Ini adalah model AI pertama yang diintegrasikan ke dalam kerangka model Rejuve.AI, dan saat ini beroperasi dalam aplikasi Longevity beta kami. Model jaringan Longevity Bayesian menghubungkan variabel tertentu, seperti penyakit kronis dan tanda penuaan, ke variabel lain untuk membantu kita lebih memahaminya. Namun, sebelum melangkah lebih jauh, kita harus mendefinisikan “jaringan Bayesian”.

Apa itu Jaringan Bayesian?

Jaringan Bayesian adalah model probabilistik. Ini mengukur risiko terjadinya sesuatu, misalnya, risiko “tanda penuaan” tertentu yang menyebabkan penuaan dini.

Jaringan Bayesian adalah salah satu alat kecerdasan buatan paling populer yang digunakan dalam pengobatan karena kemampuannya untuk memodelkan penyebab dan transparansinya. Mereka adalah semacam model grafis probabilistik, sehingga Anda dapat menggambarnya sebagai pohon simpul dan tautan, dengan simpul yang mewakili keadaan (misalnya, jenis kelamin) atau terjadinya suatu peristiwa (misalnya, ciri penuaan yang menyebabkan penuaan dini). penuaan, atau menerima diagnosis diabetes atau hipertensi). Tautan akan mewakili peluang bahwa keadaan itu aktual atau peristiwa itu akan terjadi mengingat yang lain telah terjadi. Misalnya, kemungkinan terkena diabetes dengan riwayat hipertensi, atau kemungkinan pemendekan dini telomere, dengan riwayat diabetes.

Memperkenalkan Pakar Bayes

Bayes Expert adalah perangkat lunak Rejuve.AI utama yang membuat model jaring Bayesian.

Model jaringan Bayesian yang dibuat oleh perangkat lunak Bayes Expert, termasuk model jaringan Longevity Bayesian kami, dijalankan sebagai layanan SingularityNET. Bayes Expert akan memberdayakan kami untuk mengumpulkan sains dari komunitas sains. Ini adalah metode yang ampuh bagi para ilmuwan untuk menggunakan data dalam eksperimen mereka dan teori sebab-akibat di balik data untuk membuat model tanpa harus menjadi ilmuwan data. Kami akan memiliki formulir di situs web kami yang memungkinkan para ilmuwan menambahkan data dan teori mereka ke jaringan. Kami telah membuat kode jaringan "benih" untuk memulai proses - jaringan pertama yang akan diperbaiki oleh ilmuwan lain.

Sekarang, semua probabilitas individu dalam Jaringan Longevity Bayesian kami ada dalam literatur medis, dan jaring Bayesian telah digunakan untuk mengekspresikan teori dan statistik medis di masa lalu. Namun, membangunnya sering kali membutuhkan tim ilmuwan data dan ilmuwan medis untuk bekerja sama. Di sinilah model Bayes Expert kami masuk, karena membuka teknik pemodelan ini bagi ilmuwan mana pun untuk membuat model dari data dan teori mereka, yang kemudian dapat digabungkan dengan model crowdsourced lainnya. Ini hanya mungkin sekarang karena tidak ada cara mudah bagi para ilmuwan untuk membuatnya menggunakan perangkat lunak sains data sumber terbuka saat ini.

Apa yang Membuat Jaringan Bayesian Panjang Umur Kita Unik?

Jaringan Longevity Bayesian kami hanyalah jaringan benih pertama yang akan ditambahkan oleh para ilmuwan. Iterasi pertama jaringan benih kami berisi aturan kode tangan untuk 315 node. Dari jumlah tersebut, 162 adalah "Daun" dari pohon jaringan Bayesian yang memperoleh probabilitasnya dari lebih dari 85.000 kontributor data NHANES yang melakukan tes darah. Kami membuat 153 node yang tersisa dari aturan kode tangan: 63 dibuat dari aturan ketergantungan, dan 90 adalah aturan logika menggunakan "dan", "atau", dan "rata-rata" untuk memetakan data di seluruh studi.

Gambar 1. Semua variabel yang secara langsung dapat mengubah Variabel “Hallmark 2 Telomere Attrition” dalam jaringan seed Bayesian. Di sini simpul daun adalah "Vitamin D", "Diet Sehat", "Frekuensi Mikronukleus", "Merokok", "Jenis Kelamin", "Suplemen Isoflavon Kedelai" dan "Waktu Duduk Harian". Skor risiko relatif dan interval kepercayaan dari literatur menunjukkan bagaimana variabel terhubung.

Hubungan dalam aturan ketergantungan berasal dari 62 meta-analisis dari jurnal medis terkemuka berdasarkan 1500 Uji Coba Terkendali Acak berstandar emas pada 12,5 juta subjek. Prior mereka berasal dari data NHANES. Kami sedang mengerjakan iterasi tervalidasi kedua dari jaringan benih kami yang akan berisi lebih dari 200 analisis meta. Setiap jenis aturan dalam python akan dapat dimasukkan di GUI Bayes Expert di situs web kami, satu untuk setiap variabel yang akan dijelaskan..

Kami memiliki dua jenis aturan, satu untuk memasukkan data dan yang lainnya untuk memasukkan teori. Sebagai contoh aturan jenis data, mari kita ambil contoh otentik di jaring benih kita. Salah satu variabel jaring mewakili kejadian bahwa Hallmark 2, Telomere Attrition, akan menyebabkan penuaan dini. Aturan yang kami enkode membuat satu simpul untuk peristiwa itu dan menautkannya, yang mewakili efek merokok dan jenis kelamin pada simpul Hallmark 2 (Telomere Attrition).

Dalam aturan, kami memasukkan risiko relatif dan interval kepercayaan 95% dari dua meta-analisis dan tinjauan sistematis (ringkasan uji klinis berbasis ilmiah, metode utama ilmu kedokteran).

Dalam aturan lain, kami telah memasukkan statistik yang sama dari meta-analisis lain dan tinjauan sistematis tentang bagaimana tanda kedua memengaruhi kelemahan, kanker, apnea tidur obstruktif, dan penyakit Alzheimer.

Kita dapat menghitung risiko penuaan dini akibat gesekan telomere dari node yang berkontribusi pada node tersebut menggunakan hukum probabilitas. Kadar vitamin D, pola makan sehat, waktu duduk setiap hari, suplementasi isoflavon kedelai, dan frekuensi mikronukleus semuanya merupakan kontributor potensial untuk penuaan dini. Semua risiko ini diambil dari meta-analisis dan tinjauan sistematis.

Bagaimana kita tahu bagaimana menggabungkan semua risiko itu?…. Nah, kami melakukannya dengan menggunakan aturan probabilitas pada data dari populasi yang menerapkan risiko. Populasi itu membatasi kombinasi apa yang bisa terjadi.

Kami menggunakan hukum probabilitas dalam algoritme yang disebut "pemrograman kuadrat" untuk memberi tahu kami seberapa baik risiko yang dihitung berlaku untuk populasi. Karena kami hanya memiliki sedikit pengguna aplikasi, kami mulai dengan kumpulan data NHANES, kumpulan data pemerintah AS yang sebanding dengan populasi di AS.

Skor validasi yang disediakan algoritme memberi tahu kita studi mana yang cocok, mengingat interval kepercayaannya, dan mana yang tidak, memandu penyertaan studi. Skor validasi yang sama ini akan mengumpulkan data dari para ilmuwan untuk memilah apa yang tidak cocok. Studi yang cocok bersama-sama "memilih" satu sama lain, seperti "suka" yang kita lihat di media crowdsourcing lainnya.

Jenis aturan kami yang lain adalah aturan logis, termasuk "dan", "atau", "rata-rata", dan "jika-maka-lain", yang dengannya seorang ilmuwan dapat mengungkapkan hubungan kausal di balik data yang mendorong studi klinis mereka. Penyebab-penyebab ini sangat penting untuk menemukan perawatan baru dan akan dikumpulkan dan dimusnahkan melalui skor validasi dari aturan ketergantungan yang terhubung dengannya.

Jaringan benih kami mencakup kesepuluh keunggulan, masing-masing dalam simpulnya, tetapi yang selain ciri kedua memiliki studi klinis yang terbatas. Dalam kasus ini, kami telah menggunakan node berbasis logika untuk mengekspresikan studi tunggal yang menunjukkan adanya hubungan risiko.

Namun, ini juga tunduk pada skor validasi yang memberi tahu apakah mereka cocok karena terkait dengan node lain dengan studi risiko relatif yang lebih matang. Kombinasi risiko yang ditemukan oleh pemrograman kuadratik itu sendiri akan tunduk pada validasi terhadap data dalam interaksi kedua jaring benih kami, yang akan dirilis aplikasi umur panjang.

Beberapa hubungan utama dalam jaringan kami saat ini, misalnya, meliputi:

Bagaimana tes darah, usia, dan diet memengaruhi ketidakstabilan genom dan bagaimana ketidakstabilan genom memengaruhi kelemahan dan kanker.
Bagaimana kelainan hati, kebiasaan tidur, laboratorium folat, dan kelemahan memengaruhi perubahan epigenetik dan bagaimana perubahan epigenetik memengaruhi kanker.
Bagaimana penyakit kardiovaskular memengaruhi hilangnya proteostasis dan bagaimana hilangnya proteostasis memengaruhi Alzheimer dan Parkinson.
Bagaimana kelemahan memengaruhi penginderaan nutrisi yang dideregulasi.
Bagaimana peradangan memengaruhi disfungsi mitokondria dan bagaimana disfungsi mitokondria memengaruhi penuaan seluler.
Bagaimana peradangan kanker memengaruhi penuaan seluler dan bagaimana penuaan seluler memengaruhi disfungsi mitokondria.
Bagaimana kelemahan dan peradangan memengaruhi kelelahan sel punca
Dan akhirnya, bagaimana kanker dan peradangan mempengaruhi perubahan komunikasi antar sel.

Bayes Expert saat ini berjalan di backend pasar SingularityNET di Testnet, untuk dipublikasikan ke mainnet saat aplikasi aktif dan frontend layanan dipublikasikan. Ini berarti bahwa layanan AI asli Rejuve akan segera digunakan di kehidupan nyata, tidak hanya berjalan di aplikasi Longevity tetapi juga tersedia di platform bagi para ilmuwan untuk membangun model statistik mereka sendiri.

Kami sedang berupaya membuat demo yang intuitif dan komprehensif yang menunjukkan cara menggunakan layanan ini, yang akan memainkan peran kunci dalam mendorong pemanfaatan platform setelah porting ke Cardano.

Bergabunglah dengan Revolusi Peremajaan

Rejuve adalah jaringan umur panjang bertenaga AI terdesentralisasi yang memungkinkan anggota mendapatkan hadiah untuk kontribusi data dan model untuk penelitian mutakhir yang dirancang untuk mengurai umur yang radikal. Rejuve hadir untuk menggunakan kekuatan AI, digabungkan dengan komunitas global, untuk memberikan umur panjang bagi semua yang menginginkannya.

Untuk berkontribusi pada visi perintis ini dan membantu membangun revolusi umur panjang sekarang, bagikan proyek ini dengan semua orang yang Anda kenal, bergabunglah dengan milis, dan terlibatlah dalam komunitas resmi kami di bawah ini: