Crowdsourcing Science กับ Bayes Expert

Jan 18 2023

จากวิธีการทางวิทยาศาสตร์และประสบการณ์หลายสิบปี ชุมชนวิทยาศาสตร์มีวิธีการที่เป็นที่ยอมรับและเป็นที่ยอมรับในการค้นพบและทดสอบความก้าวหน้าทางการแพทย์ก่อนที่จะเผยแพร่สู่สาธารณะ กระบวนการดังกล่าวอาจใช้เวลานานและเสี่ยงต่อการหยุดชะงักจากชุมชนเทคโนโลยี อย่างไรก็ตาม เนื่องจากวิธีการของมันนั้นแตกต่างจากวิธีการที่เป็นที่ยอมรับและได้รับการยอมรับอย่างมาก ชุมชนเทคโนโลยีจึงมีปัญหาในการขัดขวางพื้นที่ด้านการดูแลสุขภาพ ตัวทำนาย AI ที่ดีที่สุดหลายตัวไม่เพียงแต่คลุมเครือเท่านั้น แต่พวกเขายังไม่มุ่งเน้นไปที่การระบุสาเหตุในลักษณะเดียวกับการทดลองแบบสุ่มที่มีกลุ่มควบคุมและสถิติทางระบาดวิทยาของวิทยาศาสตร์

ในทางกลับกัน ซอฟต์แวร์ของเราสำหรับการสร้างโมเดลเครือข่ายแบบเบย์ตามกฎคือ Bayes Expert ซึ่งทำงานในระดับ Randomized Controlled Trials และทฤษฎีทางวิทยาศาสตร์ที่สนับสนุนโมเดลเหล่านั้น โดยใช้วิธีการที่เชื่อมโยงทฤษฎีอย่างเข้มงวดเพื่อให้สามารถระดมมวลชนใน วิธีการที่การศึกษาและข้อมูลอาจให้การสนับสนุนซึ่งกันและกัน

เราสร้างโมเดลเครือข่าย Longevity Bayesian กับ Bayes Expert เป็นโมเดล AI แรกที่รวมเข้ากับเฟรมเวิร์กโมเดล Rejuve.AI และกำลังดำเนินการใน แอป Longevityรุ่นเบต้า ของเรา โมเดลเครือข่าย Longevity Bayesian เชื่อมโยงตัวแปรบางอย่าง เช่น โรคเรื้อรังและสัญญาณความชรา กับตัวแปรอื่นๆ เพื่อช่วยให้เราเข้าใจได้ดีขึ้น แต่ก่อนที่เราจะไปไกลกว่านี้ เราควรนิยาม "เครือข่ายแบบเบย์"

เครือข่ายแบบเบย์คืออะไร?

เครือข่ายแบบเบย์เป็นแบบจำลองความน่าจะเป็น โดยจะวัดความเสี่ยงของสิ่งที่เกิดขึ้น เช่น ความเสี่ยงของ "จุดเด่นของความชรา" เฉพาะที่ทำให้เกิดความแก่ก่อนวัย

เครือข่าย Bayesian เป็นหนึ่งในเครื่องมือปัญญาประดิษฐ์ที่ได้รับความนิยมสูงสุดที่ใช้ในทางการแพทย์ เนื่องจากความสามารถในการจำลองสาเหตุและความโปร่งใส สิ่งเหล่านี้เป็นแบบจำลองกราฟิกที่น่าจะเป็นประเภทหนึ่ง ดังนั้นคุณจึงสามารถวาดพวกมันเป็นแผนผังของโหนดและลิงก์ โดยโหนดเป็นตัวแทนของสถานะ (เช่น เพศ) หรือการเกิดเหตุการณ์ (เช่น จุดเด่นของการแก่ก่อนวัยอันควร อายุมากขึ้น หรือได้รับการวินิจฉัยว่าเป็นโรคเบาหวานหรือโรคความดันโลหิตสูง) ลิงก์จะแสดงถึงโอกาสที่สถานะจะเป็นจริงหรือเหตุการณ์จะเกิดขึ้นเมื่อได้รับสิ่งอื่นที่เกิดขึ้นแล้ว ตัวอย่างเช่น โอกาสที่จะเกิดโรคเบาหวานเมื่อมีประวัติความดันโลหิตสูง หรือความเป็นไปได้ที่เทโลเมียร์จะสั้นลงก่อนวัยอันควร เมื่อพิจารณาจากประวัติโรคเบาหวาน

แนะนำผู้เชี่ยวชาญของ Bayes

Bayes Expert เป็นซอฟต์แวร์ Rejuve.AI ชั้นนำที่สร้างโมเดลสุทธิแบบเบย์

โมเดลเครือข่าย Bayesian ที่สร้างขึ้นโดยซอฟต์แวร์ Bayes Expert รวมถึงโมเดลเครือข่าย Longevity Bayesian ของเรา รันเป็นบริการ SingularityNET Bayes Expert จะช่วยให้เราสามารถรวบรวมวิทยาศาสตร์จากชุมชนวิทยาศาสตร์ เป็นวิธีที่มีประสิทธิภาพสำหรับนักวิทยาศาสตร์ในการใช้ข้อมูลในการทดลองและทฤษฎีสาเหตุเบื้องหลังข้อมูลเพื่อสร้างแบบจำลองโดยไม่ต้องเป็นนักวิทยาศาสตร์ข้อมูล เราจะมีแบบฟอร์มบนเว็บไซต์ของเราเพื่อให้นักวิทยาศาสตร์สามารถเพิ่มข้อมูลและทฤษฎีของพวกเขาลงในเครือข่ายได้ เราได้เขียนโค้ดเครือข่าย "เมล็ดพันธุ์" ด้วยมือเพื่อเริ่มกระบวนการ ซึ่งเป็นเครือข่ายแรกที่นักวิทยาศาสตร์คนอื่นๆ จะปรับปรุงให้ดีขึ้น

ตอนนี้ ความน่าจะเป็นของแต่ละบุคคลใน Longevity Bayesian Network อยู่ในเอกสารทางการแพทย์ และตาข่ายแบบเบย์ได้ถูกนำมาใช้เพื่อแสดงทฤษฎีและสถิติทางการแพทย์ในอดีต อย่างไรก็ตาม การสร้างมักจะต้องใช้ทีมนักวิทยาศาสตร์ข้อมูลและนักวิทยาศาสตร์การแพทย์ทำงานร่วมกัน นี่คือที่มาของโมเดล Bayes Expert เนื่องจากมันเปิดเทคนิคการสร้างโมเดลนี้ให้กับนักวิทยาศาสตร์ทุกคนเพื่อสร้างโมเดลจากข้อมูลและทฤษฎีของพวกเขา ซึ่งสามารถใช้ร่วมกับโมเดลอื่นๆ สิ่งนี้เป็นไปได้ในตอนนี้เท่านั้น เพราะไม่มีวิธีที่ง่ายสำหรับนักวิทยาศาสตร์ในการสร้างสิ่งเหล่านี้โดยใช้ซอฟต์แวร์วิทยาศาสตร์ข้อมูลแบบโอเพ่นซอร์สในปัจจุบัน

อะไรทำให้ Bayesian Network ของเรามีอายุยืนยาวไม่เหมือนใคร

เครือข่ายอายุยืนแบบเบย์ของเราเป็นเพียงเครือข่ายเมล็ดพันธุ์แรกที่นักวิทยาศาสตร์จะเพิ่มเข้าไป การวนซ้ำครั้งแรกของเครือข่ายเริ่มต้นของเรามีกฎที่เขียนด้วยมือสำหรับโหนด 315 โหนด ในจำนวนนั้น 162 รายการเป็น "ใบไม้" ของแผนผังเครือข่ายแบบเบย์ที่ได้รับความน่าจะเป็นจากผู้ให้ข้อมูล NHANES กว่า 85,000 รายที่ทำการตรวจเลือด เราสร้างโหนดที่เหลืออีก 153 โหนดจากกฎที่เขียนด้วยมือ: 63 โหนดสร้างขึ้นจากกฎการพึ่งพา และ 90 โหนดเป็นกฎลอจิกโดยใช้ "และ" "หรือ" และ "ค่าเฉลี่ย" เพื่อแมปข้อมูลในการศึกษาต่างๆ

รูปที่ 1 ตัวแปรทั้งหมดที่สามารถเปลี่ยนตัวแปร “Hallmark 2 Telomere Attrition” ได้โดยตรงในเครือข่าย seed Bayesian ที่นี่โหนดใบคือ "วิตามินดี", "อาหารเพื่อสุขภาพ", "ความถี่ของไมโครนิวเคลียส", "การสูบบุหรี่", "เพศ", "การเสริมไอโซฟลาโวนจากถั่วเหลือง" และ "การนั่งทุกวัน" คะแนนความเสี่ยงสัมพัทธ์และช่วงความเชื่อมั่นจากวรรณกรรมบอกว่าตัวแปรเกี่ยวข้องกันอย่างไร

ความสัมพันธ์ในกฎการพึ่งพามาจากการวิเคราะห์เมตา 62 รายการจากวารสารทางการแพทย์ที่มีชื่อเสียง โดยอ้างอิงจากการทดลองแบบสุ่มที่มีกลุ่มควบคุมมาตรฐานทองคำ 1,500 รายการในอาสาสมัคร 12.5 ล้านคน บรรพบุรุษของพวกเขามาจากข้อมูลของ NHANES เรากำลังดำเนินการตรวจสอบซ้ำครั้งที่สองของเครือข่ายเมล็ดพันธุ์ของเรา ซึ่งจะมีการวิเคราะห์เมตามากกว่า 200 รายการ กฎแต่ละประเภทใน python จะสามารถป้อนได้บน Bayes Expert GUI บนเว็บไซต์ของเรา หนึ่งกฎสำหรับแต่ละตัวแปรที่จะอธิบาย

เรามีกฎอยู่ 2 ประเภท ประเภทหนึ่งสำหรับการป้อนข้อมูลและอีกประเภทหนึ่งสำหรับการป้อนทฤษฎี เป็นตัวอย่างกฎประเภทข้อมูล ลองมาดูตัวอย่างจริงใน seed net ของเรากัน ตัวแปรหนึ่งของตาข่ายแสดงถึงเหตุการณ์ที่ Hallmark 2, Telomere Attrition จะทำให้เกิดริ้วรอยก่อนวัย กฎที่เราเข้ารหัสจะสร้างโหนดหนึ่งโหนดสำหรับเหตุการณ์นั้นและเชื่อมโยงเข้าไป ซึ่งแสดงถึงผลกระทบของการสูบบุหรี่และเพศในโหนด Hallmark 2 (Telomere Attrition)

ในกฎ เราได้ป้อนความเสี่ยงสัมพัทธ์และช่วงความเชื่อมั่น 95% จากการวิเคราะห์อภิมานสองครั้งและการทบทวนอย่างเป็นระบบ (บทสรุปทางวิทยาศาสตร์ของการทดลองทางคลินิก ซึ่งเป็นวิธีการหลักทางวิทยาศาสตร์การแพทย์)

ในกฎอื่นๆ เราได้ป้อนสถิติเดียวกันเหล่านั้นจากการวิเคราะห์อภิมานอื่นๆ และการทบทวนอย่างเป็นระบบว่าเครื่องหมายรับรองมาตรฐานที่สองส่งผลต่อความเปราะบาง มะเร็ง ภาวะหยุดหายใจขณะหลับจากการอุดกั้น และโรคอัลไซเมอร์อย่างไร

เราสามารถคำนวณความเสี่ยงของการแก่ก่อนวัยเนื่องจากการเสื่อมของเทโลเมียร์จากโหนดที่นำไปสู่โหนดเหล่านั้นโดยใช้กฎความน่าจะเป็น ระดับวิตามินดี อาหารที่ดีต่อสุขภาพ เวลานั่งในแต่ละวัน การเสริมไอโซฟลาโวนจากถั่วเหลือง และความถี่ของไมโครนิวเคลียส ล้วนเป็นสาเหตุของการแก่ก่อนวัย ความเสี่ยงทั้งหมดนี้นำมาจากการวิเคราะห์อภิมานและการทบทวนอย่างเป็นระบบ

เราจะรู้ได้อย่างไรว่าจะรวมความเสี่ยงทั้งหมดเหล่านั้นได้อย่างไร…. เราใช้กฎของความน่าจะเป็นกับข้อมูลจากประชากรที่มีความเสี่ยงนั้น ประชากรเหล่านั้นจำกัดสิ่งที่สามารถรวมกันได้

เราใช้กฎแห่งความน่าจะเป็นในอัลกอริทึมที่เรียกว่า "โปรแกรมกำลังสอง" เพื่อบอกเราว่าความเสี่ยงที่คำนวณได้มีผลกับประชากรมากน้อยเพียงใด เนื่องจากเรามีผู้ใช้แอปเพียงไม่กี่ราย เราจึงเริ่มด้วยชุดข้อมูล NHANES ซึ่งเป็นชุดข้อมูลของรัฐบาลสหรัฐฯ ที่เป็นสัดส่วนกับจำนวนประชากรในสหรัฐฯ

คะแนนการตรวจสอบความถูกต้องที่อัลกอริทึมให้มาจะบอกเราว่าการศึกษาใดเหมาะสม โดยพิจารณาจากช่วงความเชื่อมั่น และการศึกษาใดไม่เหมาะ ซึ่งเป็นแนวทางในการรวมการศึกษา คะแนนการตรวจสอบความถูกต้องเดียวกันนี้จะรวบรวมข้อมูลจากนักวิทยาศาสตร์เพื่อคัดแยกสิ่งที่ไม่เหมาะสม การศึกษาที่เหมาะสมร่วมกัน "โหวตให้" ซึ่งกันและกัน เช่น "ชอบ" ที่เราเห็นในสื่อการจัดหาฝูงชนอื่นๆ

กฎประเภทอื่นๆ ของเราคือกฎเชิงตรรกะ ซึ่งรวมถึง "และ" "หรือ" "ค่าเฉลี่ย" และ "ถ้าเป็นอย่างอื่น" ซึ่งนักวิทยาศาสตร์สามารถแสดงความสัมพันธ์เชิงสาเหตุเบื้องหลังข้อมูลที่กระตุ้นการศึกษาทางคลินิกของพวกเขา สาเหตุเหล่านี้มีความสำคัญอย่างยิ่งต่อการค้นพบวิธีการรักษาใหม่ๆ และจะถูกรวบรวมและคัดเลือกผ่านคะแนนการตรวจสอบความถูกต้องของกฎการพึ่งพาที่เชื่อมโยงกัน

เครือข่ายเมล็ดพันธุ์ของเราประกอบด้วยเครื่องหมายรับรองคุณภาพทั้งสิบรายการ โดยแต่ละรายการอยู่ในโหนดของมัน แต่เครื่องหมายอื่นนอกเหนือจากตราสัญลักษณ์ที่สองมีการศึกษาทางคลินิกที่จำกัด ในกรณีเหล่านี้ เราได้ใช้โหนดตามลอจิกเพื่อแสดงการศึกษาเดี่ยวที่แสดงความสัมพันธ์ของความเสี่ยง

แต่สิ่งเหล่านี้ยังขึ้นอยู่กับคะแนนการตรวจสอบที่บอกว่าเหมาะสมหรือไม่ เนื่องจากเกี่ยวข้องกับโหนดอื่นๆ ที่มีการศึกษาความเสี่ยงสัมพัทธ์ที่เป็นผู้ใหญ่มากกว่า ชุดค่าผสมความเสี่ยงที่พบโดยการเขียนโปรแกรมกำลังสองจะต้องได้รับการตรวจสอบความถูกต้องกับข้อมูลในการโต้ตอบครั้งที่สองของเครือข่ายเมล็ดพันธุ์ของเรา เพื่อให้อยู่ในแอปอายุยืนที่ปล่อยออกมา

ตัวอย่างเช่น ความสัมพันธ์ที่เป็นสัญลักษณ์บางอย่างในเครือข่ายปัจจุบันของเรา ได้แก่:

การตรวจเลือด อายุ และอาหารมีผลต่อความไม่แน่นอนของจีโนมอย่างไร และความไม่แน่นอนของจีโนมส่งผลต่อความเปราะบางและมะเร็งอย่างไร
ความผิดปกติของตับ พฤติกรรมการนอน ห้องทดลองโฟเลต และความอ่อนแอส่งผลต่อการเปลี่ยนแปลงของอีพิเจเนติกส์อย่างไร และการเปลี่ยนแปลงของอีพีจีเนติกส์ส่งผลต่อมะเร็งอย่างไร
โรคหัวใจและหลอดเลือดส่งผลต่อการสูญเสียโปรตีโอสเตซิสอย่างไร และการสูญเสียโปรตีโอสเตซิสส่งผลต่ออัลไซเมอร์และพาร์กินสันอย่างไร
ความเปราะบางส่งผลต่อการรับรู้สารอาหารที่ถูกควบคุมอย่างไร
การอักเสบส่งผลต่อความผิดปกติของไมโทคอนเดรียอย่างไร และความผิดปกติของไมโทคอนเดรียส่งผลต่อความชราภาพของเซลล์อย่างไร
การอักเสบของมะเร็งส่งผลต่อการชราภาพของเซลล์อย่างไร และการชราภาพของเซลล์ส่งผลต่อความผิดปกติของไมโทคอนเดรียอย่างไร
ความเปราะบางและการอักเสบส่งผลต่อความอ่อนล้าของสเต็มเซลล์อย่างไร
และสุดท้าย มะเร็งและการอักเสบส่งผลต่อการสื่อสารระหว่างเซลล์อย่างไร

ขณะนี้ Bayes Expert กำลังทำงานในแบ็กเอนด์ของตลาด SingularityNET บน Testnet ซึ่งจะเผยแพร่ไปยัง mainnet เมื่อแอปเปิดใช้งานจริงและส่วนหน้าของบริการได้รับการเผยแพร่ ซึ่งหมายความว่าบริการ AI แบบเนทีฟของ Rejuve จะมีการใช้งานในชีวิตจริงทันที ไม่เพียงแต่ทำงานในแอป Longevity เท่านั้น แต่ยังพร้อมใช้งานบนแพลตฟอร์มสำหรับนักวิทยาศาสตร์เพื่อสร้างแบบจำลองทางสถิติของตนเอง

เรากำลังดำเนินการสร้างการสาธิตที่ใช้งานง่ายและครอบคลุมซึ่งแสดงวิธีการใช้บริการนี้ ซึ่งจะมีบทบาทสำคัญในการผลักดันการใช้งานแพลตฟอร์มหลังจากพอร์ตไปยัง Cardano

เข้าร่วม Rejuve Revolution

Rejuve เป็นเครือข่ายอายุยืนที่ขับเคลื่อนด้วย AI แบบกระจายศูนย์ ซึ่งช่วยให้สมาชิกได้รับรางวัลสำหรับข้อมูลและรูปแบบการสนับสนุนสำหรับการวิจัยที่ทันสมัย ซึ่งออกแบบมาเพื่อไขปัญหาอายุขัยที่ยาวนาน Rejuve อยู่ที่นี่เพื่อใช้พลังของ AI ร่วมกับประชาคมโลก เพื่อให้ทุกคนที่ต้องการอายุยืนยาวเป็นพิเศษ

เพื่อมีส่วนร่วมในวิสัยทัศน์การบุกเบิกนี้และช่วยสร้างการปฏิวัติอายุที่ยืนยาวในขณะนี้ แบ่งปันโครงการนี้กับทุกคนที่คุณรู้จัก เข้าร่วมรายชื่อผู้รับจดหมาย และมีส่วนร่วมในชุมชนอย่างเป็นทางการของเราด้านล่าง: