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

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. Vi har i Doctor AI2-prosjektet hatt god fremgang i fire komplementære retninger: 1) vi har ferdigstilt og publisert manuskript på en maskinlæringsplattform "immuneML" for immunrepertoirer. Denne har vi allerede presentert på mange arenaer - både vitenskapelige og populærvitenskapelige. Vi er nå i gang med en videre utvidelse hvor vi utvider dagens fokus på å klassifisere hva immunceller gjenkjenner til å inkludere maskinlæring for å generere nye kandidater som modellene tror vil gjenkjenne et bestemt antigen. 2) vi har gjort gode fremskritt knyttet til romlig modellering av interaksjon mellom immunreseptorer og antigener, hvor flere manuskripter er publisert. 3) arbeidet med analyse av store datasett med sekvensdata har inspirert utvikling av en ny programvarepakke "bionumpy" for effektiv prosessering og analyse av sekvenseringsdata, hvor vi er i ferd med å ferdigstille et manuskript om programvarepakken. 4) vi har gjort interessante teoretiske observasjoner knyttet til multippel-instans-læring, som er en sentral metodisk tilnærming i prosjektet for å modellere immuntilstand for store repertoirer av immunreseptorer 5) arbeidet med plattformen har gitt innsikter i hvordan underliggende kausalitet og studie-oppsett kan påvirke hva som læres av maskinlæring, hvor en artikkel om dette nylig er akseptert i et godt tidsskrift.

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.