Новая платформа машинного обучения исследует научную литературу в поисках экспериментально подходящих антител.
Пройдя аспирантуру достаточно сложноТом Леунг столкнулся с особенно неприятным препятствием при изучении эпигенетических изменений в культивируемых клетках во время его докторской диссертации в университете Торонто. Ему приходилось оставаться в лаборатории по 12 часов за раз, чтобы собрать все образцы, и, в конце концов, когда он запустил Вестерн-блот для анализа результатов, это не сработало. Это было не потому, что он сделал что-то не так в эксперименте, это было потому, что качество антител было плохим.
Опыт Леунга распространен. Проведенное в 2008 году громкое протеомное исследование эффективности антител в 2008 году показало, что почти половина из тысяч реагентов, протестированных авторами, не обеспечивает ожидаемой аффинности или специфичности. Леунг хотел найти решение, и вместе с коллегами из Университета Торонто Элвис Вианда, Дэвид Чен и Лиран Белензон основали BenchSci, платформу искусственного интеллекта (ИИ), которая позволяет исследователям искать оптимальные реагенты на основе данных из опубликованных экспериментов и получать данные. управляемый выбор антител.
Бремя выбора
Есть миллионы доступных антител, продаваемых сотнями поставщиков. В одной недавней статье сообщается, что существует более 5000 антител только к белку рецептора эпидермального фактора роста человека (EGFR). Ученые знают, что каждое антитело не будет работать в каждом экспериментальном контексте, говорит Касандра Мангруо, руководитель отдела исследований в BenchSci. Даже если поставщик провел какое-то тестирование, у него нет возможности протестировать каждое антитело в каждом экспериментальном контексте.
Дэвид Римм, патолог из Йельского университета, был активным сторонником тестирования и подтверждения качества антител. В 2016 году он принял участие в том, чтобы заставить производителей антител согласиться с набором передовых методов контроля качества.
Сначала они все согласились на своего рода «систему подсчета очков», но, подумав немного, они изменили свое мнение, говорит он. Без четкого способа уверенного ранжирования и сравнения антител ученые могут полагаться только на данные в литературе, но извлечение этой информации является трудоемким.
PubMed и Google Scholar позволяют быстро искать результаты, и вы можете найти много статей, говорит Леунг. Но если вам нужно обратиться к дополнительным данным или к одной из цифр, чтобы найти реагент, это не так просто.
Matchmaking для антител
Платформа BenchSci AI-Assisted Antibody Selection автоматизирует эту работу, обыскивая текст и рисунки в литературе, чтобы идентифицировать антитела, которые могут поддержать конкретный эксперимент. Леунг отмечает, что изначально компания извлекала выгоду из большого количества публикаций в таких хранилищах, как PubMed Central.
Ученым удалось получить много высокоуровневых журналов и журналов открытого доступа, а затем использовать их для обучения модели машинного обучения. Позже они установили множество партнерских отношений с различными издателями закрытого доступа. Springer Nature, которая публикует Nature , Wiley и Wolters Kluwer, входят в число издателей, которые с тех пор согласились поделиться данными статей с BenchSci.
Леунг говорит, что время BenchSci было также случайным. Если эта идея зародилась два года назад, то, вероятно, она не сработает, потому что глубокое обучение и машинное обучение еще не достигли зрелости, говорит он. Помогло то, что Чен и Вайанда были хорошо знакомы с этими инструментами из своих собственных исследований выпускников.
База данных BenchSci содержит 6,9 млн. Антител от более чем 220 поставщиков, а сопряженные данные взяты из 10 млн. Научных работ. Этот набор данных постоянно растет, как в количестве реагентов, так и в журналах, так же как и требования к вычислительной мощности BenchSci. Ученые проводят ежемесячные прогоны для обновления данных на платформе и обучения наших алгоритмов. Для этого им нужно было создать целую стену компьютеров.
Когда ученые ищут в базе данных BenchSci антитела против определенного белка, ИИ собирает простой набор фигур, изображающих использование различных продуктов в различных экспериментальных контекстах. Можно просто найти антитела, которые были использованы в иммуногистохимии, ELISA или экспериментах с проточной цитометрией, а затем оценить эффективность различных реагентов в различных исследованиях. Сегодня более 15 из 20 ведущих фармацевтических компаний используют платформу BenchSci, а также более 31 000 ученых в 3600 учреждениях.
Римм нашел платформу весьма ценной. Поскольку она дает вам доступ к цифрам, на которых использовалось антитело, у вас могут быть свои собственные критерии для того, что вы принимаете в качестве проверки, говорит он. Это просто экономит очень много времени, потраченного на копание в литературе.
В дополнение к тому, что он помогает в выборе продукта, Римм говорит, что платформа также может упростить экспериментальный процесс. Если, например, BenchSci раскрывает опубликованный послужной список для данного антитела в конкретном пробном анализе, исследователи могут ссылаться на предыдущую работу, а не тратить усилия на повторение эксперимента. И наоборот, Мангру говорит, что поиск изображений позволяет легко распознавать реагенты, которые низкого качества или плохо соответствуют определенному анализу, если фигура показывает результаты, которые не согласуются с другими экспериментальными данными.
Сетевые эффекты
Многие производители антител теперь присоединились к усилиям BenchSci, поделившись своими каталогами и соответствующими данными проверки для включения в базу данных компании. Римм говорит, что, хотя эти производители реагентов колебались в отношении универсальных стандартов валидации, многие по-прежнему признавали необходимость лучшего контроля качества. Система как бы охраняла себя и сделала конкурентный рынок системой оценки, где многие поставщики конкурировали друг с другом в том, кто мог показать самое проверенное антитело, говорит он.
BenchSci опирается на это чувство. Пользователи получают доступ к данным проверки, в то время как компании-производители антител напрямую связывают свои продукты с успешными опубликованными экспериментами. Важно отметить, что BenchSci остается нейтральной платформой с точки зрения рекомендаций, что позволяет данным говорить сами за себя. Они не рекламируют и не оценивают антитела.
Способность принимать обоснованные решения об антителах может сократить потери и потерянное время, но антитела - это только одна часть проблемы воспроизводимости. Исследователи также полагаются на множество других реагентов, включая молекулярные зонды, белково-специфические ингибиторы и активаторы и праймеры для секвенирования и амплификации ПЦР. В конечном счете, Леунг надеется превратить платформу искусственного интеллекта BenchSci в эту более широкую группу продуктов.
Связав эти другие реагенты вместе, ученые могут предоставить гораздо более полную картину того, что происходило в разных публикациях. Тогда они смогут помочь ученым в более полном плане планирования их экспериментов.
