Apprendimento multi-tasking nell’analisi dei dati fenotipici

L'apprendimento multitasking è un approccio efficiente all'apprendimento automatico che combina i dati di diversi compiti correlati, migliorando l'accuratezza rispetto alla risoluzione separata di ciascun compito. Tenendo presenti i requisiti speciali dei maggiori problemi biologici, il nostro gruppo di ricerca ha sviluppato un metodo Macau di fattorizzazione della matrice bayesiana scalabile ed il successivo SparseFlow basato sull'apprendimento profondo non lineare. In questo intervento verrà illustrata l'applicazione di questi metodi su due aree relative all'analisi dei dati fenotipici.
La prima applicazione è una prova di fattibilità che dimostra che i dati di un singolo test di imaging ad alto rendimento possono essere riutilizzati per prevedere l'attività biologica dei composti in centinaia di altri test il cui obiettivo sono i percorsi non correlati o i processi biologici. I risultati suggeriscono che i dati provenienti dalle analisi ad alto contenuto sono una ricca fonte di informazioni che possono essere utilizzate per prevedere e sostituire le analisi biologiche personalizzate, oltre a giustificare le successive ricerche nel campo dell’apprendimento basato su immagini per la scoperta di farmaci.
Nella seconda area di applicazione è stato utilizzato il metodo di fattorizzazione della matrice per ottenere informazioni sui meccanismi alla base dell'efficacia della cura contro il cancro, misurandoli con l’effetto del tipo di cellula (espressione genica) ed dei bersagli farmacologici sulla portata dei medicinali su una determinata linea cellulare.