Crowdsourcing scientifico con Bayes Expert

Jan 18 2023

Sulla base del metodo scientifico e di decenni di esperienza, la comunità scientifica dispone di una metodologia consolidata e rispettata per scoprire e testare i progressi della medicina prima che vengano resi disponibili al pubblico. Tale processo potrebbe richiedere molto tempo ed è vulnerabile alle interruzioni da parte della comunità tecnologica. Tuttavia, poiché le sue metodologie sono così diverse dalla metodologia consolidata e rispettata, la comunità tecnologica ha avuto difficoltà a sconvolgere lo spazio sanitario. Molti dei migliori predittori di intelligenza artificiale non sono solo opachi, ma non si concentrano nemmeno sulla determinazione della causalità nello stesso modo in cui lo fanno gli studi scientifici randomizzati controllati e le statistiche epidemiologiche.

Il nostro software per la generazione di modelli di reti bayesiane basate su regole, Bayes Expert, invece, lavora a livello di Randomized Controlled Trials e delle teorie scientifiche che ne sono alla base, utilizzando una metodologia che collega rigorosamente le teorie in modo che possano essere crowdsourcing in un modo in cui studi e dati possono sostenersi a vicenda.

Abbiamo creato il nostro modello di rete bayesiana di longevità con Bayes Expert. È il primo modello di intelligenza artificiale ad essere integrato nel framework del modello Rejuve.AI ed è attualmente operativo nella nostra beta dell'app Longevity . Il modello di rete bayesiana della longevità collega determinate variabili, come malattie croniche e segni di invecchiamento, ad altre variabili per aiutarci a comprenderle meglio. Ma, prima di andare oltre, dovremmo definire "rete bayesiana".

Cos'è una rete bayesiana?

Una rete bayesiana è un modello probabilistico. Misura il rischio che qualcosa accada, ad esempio il rischio che un particolare "segno distintivo dell'invecchiamento" causi un invecchiamento precoce.

Le reti bayesiane sono uno degli strumenti di intelligenza artificiale più popolari utilizzati in medicina per la loro capacità di modellare la causa e la loro trasparenza. Sono una sorta di modello grafico probabilistico, quindi puoi disegnarli come un albero di nodi e collegamenti, con i nodi che rappresentano uno stato (ad esempio, il genere) o il verificarsi di un evento (ad esempio, un segno distintivo dell'invecchiamento che causa prematura invecchiamento o ricevere una diagnosi di diabete o ipertensione). I collegamenti rappresenterebbero la possibilità che lo stato sia effettivo o che l'evento si verifichi dati gli altri che si sono già verificati. Ad esempio, la possibilità di contrarre il diabete data la storia di ipertensione, o la possibilità di accorciamento prematuro dei telomeri, data la storia del diabete.

Presentazione dell'esperto di Bayes

Bayes Expert è un software Rejuve.AI di prim'ordine che crea modelli di reti bayesiane.

I modelli di rete bayesiana creati dal software Bayes Expert, incluso il nostro modello di rete bayesiana Longevity, vengono eseguiti come servizi SingularityNET. Bayes Expert ci consentirà di raccogliere in crowdsourcing la scienza dalla comunità della scienza. È un metodo potente per gli scienziati utilizzare i dati nei loro esperimenti e le teorie di causalità dietro i dati per creare modelli senza dover essere uno scienziato dei dati. Avremo un modulo sul nostro sito Web che consentirà agli scienziati di aggiungere i loro dati e le loro teorie alla rete. Abbiamo codificato a mano una rete "seme" per avviare il processo, una prima rete su cui altri scienziati miglioreranno.

Ora, tutte le probabilità individuali nella nostra rete bayesiana di longevità sono nella letteratura medica e le reti bayesiane sono state utilizzate in passato per esprimere teorie e statistiche mediche. Tuttavia, la costruzione di uno spesso richiedeva la collaborazione di un team di data scientist e medici. È qui che entra in gioco il nostro modello Bayes Expert, in quanto apre questa tecnica di modellazione a qualsiasi scienziato per creare un modello dai propri dati e teorie, che può quindi essere combinato con altri modelli di crowdsourcing. Questo è possibile solo ora perché non esiste un modo semplice per gli scienziati di crearli utilizzando l'attuale software di data science open source.

Cosa rende unica la nostra rete bayesiana di longevità?

La nostra rete bayesiana di longevità è solo una prima rete seme a cui gli scienziati si aggiungeranno. La prima iterazione della nostra rete seed contiene regole codificate a mano per 315 nodi. Di questi, 162 sono le "Foglie" dell'albero della rete bayesiana che derivano le loro probabilità da oltre 85.000 contributori di dati NHANES che hanno effettuato esami del sangue. Abbiamo creato i restanti 153 nodi dalle regole codificate a mano: 63 sono stati creati dalle regole di dipendenza e 90 sono regole logiche che utilizzano "e", "o" e "media" per mappare i dati tra gli studi.

Figura 1. Tutte le variabili che possono modificare direttamente la variabile "Hallmark 2 Telomere Attrition" nella rete bayesiana seed. Qui i nodi fogliari sono "Vitamina D", "Dieta sana", "Frequenza del micronucleo", "Fumo", "Sesso", "Supplemento di isoflavoni di soia" e "Seduta giornaliera". I loro punteggi di rischio relativo e gli intervalli di confidenza dalla letteratura indicano come le variabili sono collegate.

Le relazioni nelle regole di dipendenza provengono da 62 meta-analisi di rinomate riviste mediche basate su 1500 studi controllati randomizzati gold standard su 12,5 milioni di soggetti. I loro precedenti provengono dai dati NHANES. Stiamo lavorando a una seconda iterazione convalidata della nostra rete seed che conterrà oltre 200 meta analisi. Ogni tipo di regola in Python sarà inseribile nella GUI di Bayes Expert sul nostro sito Web, una per ogni variabile da spiegare.

Abbiamo due tipi di regole, una per l'inserimento dei dati e l'altra per l'inserimento delle teorie. Come esempio del tipo di regola dei dati, prendiamo un esempio autentico nella nostra rete di semi. Una variabile della rete rappresenta l'evento in cui Hallmark 2, Telomere Attrition, causerà un invecchiamento precoce. La regola che abbiamo codificato crea un nodo per quell'evento e si collega ad esso, rappresentando gli effetti del fumo e del genere sul nodo Hallmark 2 (Telomere Attrition).

Nella regola, abbiamo inserito i rischi relativi e i loro intervalli di confidenza al 95% da due meta-analisi e revisioni sistematiche (i riassunti scientificamente fondati degli studi clinici, il metodo principale della scienza medica).

In altre regole, abbiamo inserito quelle stesse statistiche da altre meta-analisi e revisioni sistematiche su come il secondo segno distintivo influenza la fragilità, il cancro, l'apnea ostruttiva del sonno e il morbo di Alzheimer.

Possiamo calcolare il rischio di invecchiamento precoce dovuto all'attrito dei telomeri dai nodi che contribuiscono a quei nodi utilizzando le leggi di probabilità. I livelli di vitamina D, una dieta sana, il tempo di seduta quotidiano, l'integrazione di isoflavoni di soia e la frequenza del micronucleo sono tutti potenziali fattori che contribuiscono all'invecchiamento precoce. Tutti questi rischi sono presi da meta-analisi e revisioni sistematiche.

Come sappiamo come combinare tutti questi rischi?…. Bene, lo facciamo usando le regole delle probabilità sui dati delle popolazioni a cui vengono applicati i rischi. Quelle popolazioni vincolano quali possono essere le combinazioni.

Usiamo le leggi della probabilità in un algoritmo chiamato "programmazione quadratica" per dirci quanto bene i rischi calcolati si applicano alla popolazione. Poiché abbiamo solo pochi utenti dell'app, iniziamo con il set di dati NHANES, un set di dati del governo degli Stati Uniti proporzionale alla popolazione negli Stati Uniti.

Il punteggio di convalida fornito dall'algoritmo ci dice quali studi rientrano, dati i loro intervalli di confidenza, e quali no, guidando l'inclusione degli studi. Questo stesso punteggio di convalida raccoglierà i dati dagli scienziati in crowdsourcing per selezionare ciò che non si adatta. Gli studi che si adattano "si votano" a vicenda, come i "Mi piace" che vediamo in altri media di crowdsourcing.

Il nostro altro tipo di regola è una regola logica, che include "e", "o", "media" e "se-allora-altro", con la quale uno scienziato può esprimere le relazioni causali dietro i dati che hanno spinto i loro studi clinici. Queste cause sono fondamentali per scoprire nuovi trattamenti e saranno raccolte in crowdsourcing e selezionate attraverso i punteggi di convalida delle regole di dipendenza a cui si collegano.

La nostra rete di semi include tutti e dieci i segni distintivi, ciascuno nel suo nodo, ma quelli diversi dal secondo segno distintivo hanno studi clinici limitati. In questi casi, abbiamo utilizzato nodi basati sulla logica per esprimere singoli studi che mostrano l'esistenza di una relazione di rischio.

Tuttavia, questi sono anche soggetti al punteggio di convalida che indica se si adattano perché si riferiscono agli altri nodi con studi di rischio relativo più maturi. Le combinazioni di rischio trovate dalla programmazione quadratica saranno esse stesse soggette a convalida rispetto ai dati nella seconda interazione della nostra rete seme, per essere nell'app di longevità rilasciata.

Alcune delle relazioni distintive nella nostra rete attuale, ad esempio, includono:

Come gli esami del sangue, l'età e la dieta influenzano l'instabilità genomica e come l'instabilità genomica influenza la fragilità e il cancro.
In che modo i disturbi del fegato, le abitudini del sonno, i laboratori di folati e la fragilità influenzano le alterazioni epigenetiche e come le alterazioni epigenetiche influenzano il cancro.
Come le malattie cardiovascolari influenzano la perdita di proteostasi e come la perdita di proteostasi influenza l'Alzheimer e il Parkinson.
In che modo la fragilità influisce sul rilevamento dei nutrienti deregolamentato.
In che modo l'infiammazione influisce sulla disfunzione mitocondriale e in che modo la disfunzione mitocondriale influisce sulla senescenza cellulare.
In che modo l'infiammazione del cancro influisce sulla senescenza cellulare e su come la senescenza cellulare influisce sulla disfunzione mitocondriale.
In che modo la fragilità e l'infiammazione influenzano l'esaurimento delle cellule staminali.
E infine, come il cancro e l'infiammazione influenzano la comunicazione intercellulare alterata.

Bayes Expert è attualmente in esecuzione nel back-end del marketplace SingularityNET su Testnet, per essere pubblicato sulla mainnet quando l'app è attiva e il front-end del servizio viene pubblicato. Ciò significa che il servizio AI nativo di Rejuve avrà un utilizzo immediato nella vita reale, non solo in esecuzione nell'app Longevity, ma essendo disponibile sulla piattaforma per consentire agli scienziati di costruire i propri modelli statistici.

Stiamo lavorando alla creazione di una demo intuitiva e completa che mostri come utilizzare questo servizio, che svolgerà un ruolo chiave nel guidare l'utilizzo della piattaforma dopo il porting su Cardano.

Unisciti alla rivoluzione Rejuve

Rejuve è una rete di longevità decentralizzata basata sull'intelligenza artificiale che consente ai membri di guadagnare ricompense per dati e contributi di modelli a ricerche all'avanguardia progettate per svelare la durata della vita radicale. Rejuve è qui per utilizzare il potere dell'intelligenza artificiale, insieme alla comunità globale, per fornire super longevità a tutti coloro che lo desiderano.

Per contribuire a questa visione pionieristica e aiutare a costruire la rivoluzione della longevità in questo momento, condividi questo progetto con tutti quelli che conosci, unisciti alla mailing list e fatti coinvolgere nella nostra comunità ufficiale qui sotto: