Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Doctor AI2 – Artificial Intelligence mining of the Adaptive Immune system to develop an immunodiagnostics platform

Alternativ tittel: Doktor AI2 - Maskinlæring på det adaptive immunsystemet for å utvikle en plattform for immunbasert diagnostikk

Tildelt: kr 8,8 mill.

Immunsystemet vårt er den beste legen vi kjenner. I tillegg til å bekjempe sykdom utfører den sykdomsdiagnose med uovertruffen presisjon lenge før det oppstår kliniske symptomer. Tidligere og pågående kamper mot sykdom og infeksjon blir lagret i immun-minnet, som består av en bred samling immunceller med ulike immunreseptorer som spesifikt gjenkjenner og nøytraliserer invaderende patogener. Disse immunreseptorene kan i dag leses med DNA-sekvensering fra små blodprøver til en kostnad som er realistisk for klinisk bruk. Vi er imidlertid ennå ikke i stand til å forstå det vi leser. Mer bestemt er vi foreløpig ikke i stand til å oversette en immunreseptors DNA-sekvens til hvilken sykdomstilstand denne reflekterer. Siden immunsystemet kontinuerlig reagerer på tilstedeværelse av patogener og andre faktorer, vil det å lære en slik kobling mellom immunreseptorer og sykdom gjøre det mulig å kontinuerlig overvåke vår sykdomsstatus gjennom hele livet. Mønstergjenkjenningskapasiteten til maskinlæring gjør det unikt egnet til å oversette det immunologiske sensorsystemet til en menneskelig lesbar oversikt over sykdom. Immunrepertoarer har imidlertid særegenheter som gjør at man ikke bare kan bruke standard maskinlæringsmetoder rett frem. En sentral del av prosjektet er derfor å drive frem konseptuelle nyvinninger i maskinlæringsmetodikk som også kan ha bruksområder langt utover analyse av immunsystemet. Målsetningene til Doctor AI2-prosjektet er derfor todelt: å utvikle ny maskinlæringsmetodikk for problemet, og å gjøre det tilgjengelig via en bredt tilgjengelig programvareplattform som fremmer åpenhet og reproduserbarhet. Den tverrfaglige konvergensen av domenekunnskap innen maskinlæring, programvareutvikling og immunologi vil således bidra inn i den pågående revolusjonen av persontilpasning og kunstig intelligens innen medisin.

Early diagnosis of disease is key to optimal treatment and in terms of diagnosis, our adaptive immune system is the “best doctor”. It carries out diagnosis with unmatched precision before clinical symptoms arise. There is a gold rush in academia and industry to develop artificial intelligence (AI) methods that exploit our immune system’s capacity to assist doctors in everyday diagnosis. The adaptive immune system records each past and ongoing battle with disease. This immune memory is recorded by “immune receptors” - short genetic sequences specific for each disease. Immune receptors can today be sequenced at high-throughput. We have previously shown that similar immune receptors (similar: identity of entire genetic sequence or subsequence) arise in different individuals when faced with the same disease. Thus, the pattern recognition capacity of machine learning may be leveraged to detect disease-associated patterns in the genetic sequences of immune receptors. However, so far, machine-learning-based exploitation for immunodiagnostics of immune receptor sequence datasets has been rather poor. This is due to (1) a lack of machine learning approaches that can exploit the unique biological characteristics of immune receptor repertoires, (2) and a lack of ground truth data for machine learning benchmarking.(3) There exists currently no platform for the machine learning analysis of large-scale immune receptor datasets. To resolve these knowledge gaps, we propose to develop novel AI methodology and implement a comprehensive software platform for immune receptor-based diagnostics. To validate our framework, we have access to the world-wide largest experimental and synthetic immune receptor datasets. In the medium-term horizon, the transdisciplinary project Doctor AI^2 will move the research frontier in AI techniques for immune-receptor immunodiagnostics and contributes to the AI revolution in medicine by supporting clinicians in therapeutic decision making.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Aktivitet:

IKTPLUSS-IKT og digital innovasjon