Opierając się na metodzie naukowej i dziesięcioleciach doświadczeń, społeczność naukowa ma ugruntowaną i szanowaną metodologię odkrywania i testowania postępów medycyny, zanim zostaną one udostępnione opinii publicznej. Proces ten może zająć dużo czasu i jest narażony na zakłócenia ze strony społeczności technologicznej. Ponieważ jednak jej metodologie tak bardzo różnią się od ustalonej, szanowanej metodologii, społeczność technologiczna miała trudności z zakłóceniem przestrzeni opieki zdrowotnej. Wiele z najlepszych predyktorów sztucznej inteligencji jest nie tylko nieprzejrzystych, ale także nie koncentruje się na określaniu związku przyczynowego w taki sam sposób, jak naukowe badania z randomizacją i statystyki epidemiologiczne.

Nasze oprogramowanie do generowania opartych na regułach modeli sieci Bayesa, Bayes Expert, z drugiej strony działa na poziomie randomizowanych badań kontrolowanych i teorii naukowych, które leżą u ich podstaw, przy użyciu metodologii, która rygorystycznie łączy teorie, dzięki czemu można je pozyskać w ramach crowdsourcingu w sposób, w jaki badania i dane mogą wzajemnie się wspierać.

Nasz Bayesowski model sieci Longevity opracowaliśmy z Bayes Expert. Jest to pierwszy model AI, który został zintegrowany ze strukturą modelu Rejuve.AI i obecnie działa w wersji beta naszej aplikacji Longevity . Bayesowski model długowieczności łączy pewne zmienne, takie jak choroby przewlekłe i oznaki starzenia, z innymi zmiennymi, aby pomóc nam lepiej je zrozumieć. Zanim jednak przejdziemy dalej, powinniśmy zdefiniować „sieć bayesowską”.

Co to jest sieć bayesowska?

Sieć bayesowska jest modelem probabilistycznym. Mierzy ryzyko wystąpienia czegoś, na przykład ryzyko wystąpienia określonej „cechy starzenia się” powodującej przedwczesne starzenie się.

Sieci bayesowskie są jednymi z najpopularniejszych narzędzi sztucznej inteligencji stosowanych w medycynie ze względu na ich zdolność do modelowania przyczyny i przejrzystość. Są rodzajem probabilistycznego modelu graficznego, więc można je narysować jako drzewo węzłów i powiązań, przy czym węzły reprezentują stan (np. starzenie się lub zdiagnozowanie cukrzycy lub nadciśnienia). Powiązania reprezentowałyby prawdopodobieństwo, że stan jest rzeczywisty lub że zdarzenie miałoby miejsce, biorąc pod uwagę inne, które już miały miejsce. Na przykład prawdopodobieństwo zachorowania na cukrzycę w przypadku nadciśnienia w wywiadzie lub możliwość przedwczesnego skrócenia telomerów w przypadku cukrzycy w wywiadzie.

Przedstawiamy eksperta Bayesa

Bayes Expert to najlepsze oprogramowanie Rejuve.AI, które tworzy modele sieci bayesowskiej.

Modele sieci Bayesa stworzone przez oprogramowanie Bayes Expert, w tym nasz model sieci Longevity Bayesa, działają jako usługi SingularityNET. Bayes Expert umożliwi nam crowdsourcing nauki ze społeczności naukowej. Jest to potężna metoda dla naukowców do wykorzystywania danych w swoich eksperymentach i teorii związku przyczynowego stojących za danymi do tworzenia modeli bez konieczności bycia naukowcem danych. Na naszej stronie internetowej będziemy mieli formularz, który pozwoli naukowcom dodawać swoje dane i teorie do sieci. Aby rozpocząć proces, ręcznie zakodowaliśmy sieć „zalążkową” — pierwszą sieć, którą inni naukowcy będą ulepszać.

Teraz wszystkie indywidualne prawdopodobieństwa w naszej Bayesowskiej Sieci Długowieczności znajdują się w literaturze medycznej, a sieci Bayesowskie były w przeszłości używane do wyrażania teorii medycznych i statystyk. Jednak jego zbudowanie często wymagało współpracy zespołu analityków danych i naukowców medycznych. W tym miejscu pojawia się nasz model Bayes Expert, ponieważ otwiera tę technikę modelowania dla każdego naukowca, aby stworzyć model na podstawie swoich danych i teorii, który można następnie połączyć z innymi modelami pozyskiwanymi w ramach crowdsourcingu. Jest to możliwe tylko teraz, ponieważ naukowcy nie mają łatwego sposobu na ich tworzenie przy użyciu obecnego oprogramowania do nauki danych typu open source.

Co sprawia, że ​​nasza długowieczność Bayesian Network jest wyjątkowa?

Nasza Bayesowska sieć Longevity to dopiero pierwsza sieć zalążkowa, do której naukowcy będą dodawać. Pierwsza iteracja naszej sieci początkowej zawiera ręcznie zakodowane reguły dla 315 węzłów. Spośród nich 162 to „Liście” drzewa sieci bayesowskiej, które czerpią swoje prawdopodobieństwa z ponad 85 000 uczestników danych NHANES, którzy wykonali badania krwi. Stworzyliśmy pozostałe 153 węzły z ręcznie zakodowanych reguł: 63 utworzono z reguł zależności, a 90 to reguły logiczne wykorzystujące „i”, „lub” i „średnia” do mapowania danych w badaniach.

Rycina 1. Wszystkie zmienne, które mogą bezpośrednio zmienić zmienną „Hallmark 2 Telomere Attrition” w początkowej sieci bayesowskiej. Tutaj węzły liści to „Witamina D”, „Zdrowa dieta”, „Częstotliwość mikrojąder”, „Palenie”, „Płeć”, „Suplementacja izoflawonów sojowych” i „Codzienne siedzenie”. Ich względne oceny ryzyka i przedziały ufności z literatury wskazują, w jaki sposób zmienne są powiązane.

Relacje w regułach zależności pochodzą z 62 metaanaliz z renomowanych czasopism medycznych opartych na 1500 Randomized Controlled Trials o złotym standardzie na 12,5 milionach osób. Ich wcześniejsze dane pochodzą z danych NHANES. Pracujemy nad drugą zweryfikowaną iteracją naszej sieci początkowej, która będzie zawierać ponad 200 metaanaliz. Każdy rodzaj reguły w pythonie będzie można wprowadzić w GUI Bayes Expert na naszej stronie internetowej, po jednej dla każdej zmiennej, która ma zostać wyjaśniona.

Mamy dwa rodzaje reguł, jedną do wprowadzania danych, a drugą do wprowadzania teorii. Jako przykład reguły typu danych, weźmy autentyczny przykład w naszej sieci początkowej. Jedna zmienna sieci reprezentuje zdarzenie, które Hallmark 2, Telomer Attrition, spowoduje przedwczesne starzenie. Zakodowana przez nas reguła tworzy jeden węzeł dla tego zdarzenia i łączy się z nim, reprezentując wpływ palenia i płci na węzeł Hallmark 2 (Telomer Attrition).

W regule wpisaliśmy względne ryzyko i ich 95% przedziały ufności z dwóch metaanaliz i przeglądów systematycznych (oparte na podstawach naukowych streszczenia badań klinicznych, podstawowa metoda nauk medycznych).

W innych zasadach wprowadziliśmy te same statystyki z innych metaanaliz i przeglądów systematycznych dotyczących tego, jak druga cecha wpływa na słabość, raka, obturacyjny bezdech senny i chorobę Alzheimera.

Możemy obliczyć ryzyko przedwczesnego starzenia się z powodu ścierania telomerów z węzłów, które przyczyniają się do tych węzłów, stosując prawa prawdopodobieństwa. Poziom witaminy D, zdrowa dieta, codzienny czas siedzenia, suplementacja izoflawonów sojowych i częstotliwość mikrojąder są potencjalnymi czynnikami przyczyniającymi się do przedwczesnego starzenia. Wszystkie te zagrożenia pochodzą z metaanaliz i przeglądów systematycznych.

Skąd wiemy, jak połączyć te wszystkie ryzyka?…. Cóż, robimy to, używając reguł prawdopodobieństwa danych z populacji, do których stosuje się ryzyko. Te populacje ograniczają, jakie mogą być kombinacje.

Używamy praw prawdopodobieństwa w algorytmie zwanym „programowaniem kwadratowym”, aby powiedzieć nam, jak dobrze obliczone ryzyko odnosi się do populacji. Ponieważ mamy tylko kilku użytkowników aplikacji, zaczynamy od zestawu danych NHANES, zbioru danych rządu USA, który jest proporcjonalny do populacji w USA.

Wynik walidacji dostarczany przez algorytm mówi nam, które badania pasują, biorąc pod uwagę ich przedziały ufności, a które nie, kierując się włączeniem badań. Ten sam wynik walidacji spowoduje gromadzenie danych od naukowców w celu wybrania tego, co nie pasuje. Badania, które pasują do siebie, „głosują” na siebie nawzajem, podobnie jak „polubienia”, które widzimy w innych mediach crowdsourcingowych.

Innym rodzajem reguł są reguły logiczne, w tym „i”, „lub”, „średnia” i „jeżeli-to-jeszcze”, za pomocą których naukowiec może wyrazić związki przyczynowe kryjące się za danymi, które skłoniły go do badań klinicznych. Przyczyny te mają kluczowe znaczenie dla odkrywania nowych metod leczenia i będą zbierane w ramach crowdsourcingu i selekcjonowane poprzez wyniki walidacji reguł zależności, z którymi się łączą.

Nasza sieć nasion obejmuje wszystkie dziesięć cech charakterystycznych, każda w swoim węźle, ale te inne niż druga cecha mają ograniczone badania kliniczne. W takich przypadkach wykorzystaliśmy węzły oparte na logice, aby wyrazić pojedyncze badania, które pokazują istnienie związku ryzyka.

Jednak podlegają one również punktacji walidacji, która mówi, czy pasują, ponieważ odnoszą się do innych węzłów z bardziej dojrzałymi badaniami ryzyka względnego. Kombinacje ryzyka znalezione przez programowanie kwadratowe same będą podlegały walidacji względem danych w drugiej interakcji naszej sieci nasion, aby znaleźć się w wydanej aplikacji długowieczności.

Niektóre z charakterystycznych relacji w naszej obecnej sieci obejmują na przykład:

• Jak badania krwi, wiek i dieta wpływają na niestabilność genomu i jak niestabilność genomu wpływa na słabość i raka.
• Jak zaburzenia wątroby, nawyki snu, laboratoria kwasu foliowego i słabość wpływają na zmiany epigenetyczne i jak zmiany epigenetyczne wpływają na raka.
• Jak choroby układu krążenia wpływają na utratę proteostazy i jak utrata proteostazy wpływa na chorobę Alzheimera i Parkinsona.
• Jak słabość wpływa na rozregulowane wykrywanie składników odżywczych.
• Jak stan zapalny wpływa na dysfunkcję mitochondriów i jak dysfunkcja mitochondriów wpływa na starzenie się komórek.
• Jak zapalenie nowotworowe wpływa na starzenie się komórek i jak starzenie się komórek wpływa na dysfunkcję mitochondriów.
• Jak słabość i stany zapalne wpływają na wyczerpanie komórek macierzystych.
• I wreszcie, jak rak i stany zapalne wpływają na zmienioną komunikację międzykomórkową.

Bayes Expert działa obecnie na zapleczu rynku SingularityNET w sieci Testnet i zostanie opublikowany w sieci głównej, gdy aplikacja będzie działać, a interfejs usługi zostanie opublikowany. Oznacza to, że natywna usługa sztucznej inteligencji Rejuve będzie miała natychmiastowe zastosowanie w prawdziwym życiu, nie tylko działając w aplikacji Longevity, ale będzie dostępna na platformie dla naukowców do konstruowania własnych modeli statystycznych.

Pracujemy nad stworzeniem intuicyjnego, kompleksowego demo, które pokazuje, jak korzystać z tej usługi, która odegra kluczową rolę w zwiększeniu wykorzystania platformy po przeniesieniu do Cardano.

Dołącz do Rejuve Revolution

Rejuve to zdecentralizowana sieć długowieczności oparta na sztucznej inteligencji, która umożliwia członkom zdobywanie nagród za wkład danych i modeli w najnowocześniejsze badania mające na celu rozwikłać radykalną długość życia. Rejuve jest tutaj, aby wykorzystać moc sztucznej inteligencji w połączeniu z globalną społecznością, aby zapewnić super-długowieczność wszystkim, którzy tego pragną.

Aby przyczynić się do realizacji tej pionierskiej wizji i pomóc w budowaniu rewolucji długowieczności już teraz, podziel się tym projektem ze wszystkimi, których znasz, dołącz do listy mailingowej i zaangażuj się w naszą oficjalną społeczność poniżej:

Odwiedź naszą stronę internetową

Dołącz do naszej społeczności telegramów

Śledź nas na Twitterze

Połącz się z nami na LinkedIn

Śledź nas na Instagramie

Polub nas na Facebooku

Dołącz do naszego Discorda