Όταν συνδέεστε στο LinkedIn, συνήθως σας παρουσιάζονται προτάσεις για να συνδεθείτε με άτομα που γνωρίζετε, είτε επειδή φοιτήσατε στο ίδιο πανεπιστήμιο με αυτά είτε επειδή εργαστήκατε στην ίδια εταιρεία ή κλάδο.
Ωστόσο, οι προτάσεις μπορεί μερικές φορές να μας εκπλήξουν, όπως όταν ο αλγόριθμος προτείνει έναν συγγενή ή έναν οικογενειακό φίλο, παρόλο που εργάζεται σε έναν εντελώς διαφορετικό τομέα από εσάς. Δεδομένης της παντελούς έλλειψης επαγγελματικής επικάλυψης, ίσως αναρωτιέστε πώς θα μπορούσε το LinkedIn να γνωρίζει για αυτές τις σχέσεις στην πραγματική ζωή.
Οι αλγόριθμοι τεχνητής νοημοσύνης (AI) που καθοδηγούν αυτές τις συστάσεις χρησιμοποιούν έναν τύπο τεχνολογίας γνωστό ως Νευρωνικό Δίκτυο Γραφημάτων, το οποίο βασίζεται σε γραφήματα: μαθηματικές δομές που αποτελούνται από κόμβους και τους συνδέσμους (γνωστούς και ως «άκρες») που τους συνδέουν. Για ένα κοινωνικό δίκτυο όπως το LinkedIn, μπορεί να δημιουργηθεί ένα γράφημα όπου οι κόμβοι αντιπροσωπεύουν κάθε χρήστη, ενώ οι σύνδεσμοι είναι οι συνδέσεις μεταξύ τους.
Αυτοί οι αλγόριθμοι συλλέγουν πληροφορίες από το άμεσο περιβάλλον κάθε κόμβου – τις άμεσες συνδέσεις μας στο LinkedIn. Στη συνέχεια, συγκεντρώνουν αυτές τις πληροφορίες και τις ενσωματώνουν στον αρχικό κόμβο.
Μετά από αυτήν τη διαδικασία, κάθε προφίλ αντικατοπτρίζει τόσο τα δικά του δεδομένα όσο και αυτά του άμεσου δικτύου του. Αυτή η διαδικασία μπορεί να πραγματοποιηθεί αρκετές φορές – στη δεύτερη επανάληψη, όταν συγκεντρώνουμε πληροφορίες από τους γείτονές μας, αυτοί με τη σειρά τους θα έχουν ήδη συγκεντρωτικές πληροφορίες από τους δικούς τους γείτονες και, κατά συνέπεια, θα έχουμε πληροφορίες από τη δεύτερη γειτονιά.
Ένα πλέγμα σχέσεων
Σε αυτά τα δίκτυα, δεν έχουν σημασία μόνο τα προσωπικά μας στοιχεία, αλλά και τα άτομα με τα οποία έχουμε συνδεθεί εμείς και οι επαφές μας. Στην πλήρη έκδοση του αλγορίθμου του LinkedIn, όπως χρησιμοποιείται στην πράξη, δεν υπάρχουν μόνο κόμβοι που αντιπροσωπεύουν άτομα, αλλά και άλλοι τύποι κόμβων, όπως εταιρείες ή δημοσιεύσεις.
Αυτό σημαίνει ότι ο αλγόριθμος μπορεί να λαμβάνει πληροφορίες τόσο από τις προσωπικές μας συνδέσεις όσο και από το περιεχόμενο που έχουμε επισημάνει ως αγαπημένα ή με το οποίο έχουμε αλληλεπιδράσει.
Αν, για παράδειγμα, κάποιος έχει την αδερφή σας ως σύνδεση και έχει κάνει «like» σε αναρτήσεις που αρέσουν και στον κουνιάδο σας, ο αλγόριθμος μπορεί να ανιχνεύσει ότι όχι μόνο μοιράζεστε παρόμοια ενδιαφέροντα, αλλά ότι μπορεί επίσης να είστε προσωπικά συνδεδεμένοι με κάποιο τρόπο.
Αλγόριθμοι κοινωνικών μέσων στη βιοϊατρική
Η ανάπτυξη ενός φαρμάκου από την αρχή είναι εξαιρετικά δαπανηρή και χρονοβόρα. Η διαδικασία ανακάλυψης συχνά μοιάζει με χωνί. Στην κορυφή, εισέρχονται όλοι οι πιθανοί υποψήφιοι και, αφού περιοριστούν σε διάφορα στάδια έρευνας, μόνο ένας απομένει για να συμμετάσχει σε κλινικές δοκιμές. Αυτό το φάρμακο θα περάσει στη συνέχεια (ελπίζουμε) για να γίνει διαθέσιμο για κλινική χρήση στον γενικό πληθυσμό.
Αν και είναι απαραίτητο, η πολυπλοκότητα αυτής της απόδειξης σημαίνει ότι η επαναχρησιμοποίηση φαρμάκων έχει γίνει ολοένα και πιο συνηθισμένη τις τελευταίες δεκαετίες. Στόχος αυτής της διαδικασίας δεν είναι ο σχεδιασμός νέων φαρμάκων, αλλά η εύρεση νέων χρήσεων για τα υπάρχοντα.
Για τη θεραπεία μιας ασθένειας, γενικά επικεντρωνόμαστε στη στόχευση των πρωτεϊνών που είναι υπεύθυνες για αυτήν. Υπάρχουν δημόσιες και καλά τεκμηριωμένες βάσεις δεδομένων που περιέχουν πληροφορίες σχετικά με το ποιες πρωτεΐνες στοχεύει κάθε φάρμακο και αυτές οι βάσεις δεδομένων έχουν αυξηθεί σημαντικά τα τελευταία χρόνια.
Μία από τις πιο ευρέως χρησιμοποιούμενες βάσεις δεδομένων, η DrugBank, έχει αυξηθεί από 841 εγκεκριμένα φάρμακα όταν κυκλοφόρησε για πρώτη φορά το 2006, σε 2.751 στην πιο πρόσφατη ενημέρωσή της το 2024. Αυτή η αυξανόμενη διαθεσιμότητα δεδομένων επιτρέπει τη χρήση πιο σύνθετων μοντέλων.
Με αυτόν τον όγκο δεδομένων, μπορούμε να δημιουργήσουμε ένα δίκτυο γραφημάτων όπου οι κόμβοι είναι φάρμακα και πρωτεΐνες και οι σύνδεσμοι είναι οι αλληλεπιδράσεις μεταξύ τους, όπως καταγράφονται σε βάσεις δεδομένων. Μόλις δημιουργήσουμε το δίκτυο, μπορούμε στη συνέχεια να εφαρμόσουμε παρόμοιους αλγόριθμους με αυτούς που χρησιμοποιούνται στα μέσα κοινωνικής δικτύωσης: για κάθε φάρμακο, προσθέτουμε βιοχημικές πληροφορίες σχετικά με τις πρωτεΐνες με τις οποίες αλληλεπιδρά μέσω των γνωστών συνδέσεων.
Χρησιμοποιώντας αυτές τις πληροφορίες, το μοντέλο μπορεί στη συνέχεια να μας πει την πιθανότητα μιας αλληλεπίδρασης φαρμάκου-πρωτεΐνης που δεν είχαμε προηγουμένως στη βάση δεδομένων, καθώς οι αλγόριθμοι μπορούν να αναλύσουν αποτελεσματικά μεγάλους όγκους πληροφοριών. Αυτές οι αλληλεπιδράσεις μπορούν στη συνέχεια να επικυρωθούν υπό εργαστηριακές συνθήκες, εξοικονομώντας χρόνο και χρήματα από τη μακρά διαδικασία ανακάλυψης.
Η έρευνά μας
Στο εργαστήριο Υπολογιστικής Βιολογίας και Μεταφραστικής Γονιδιωματικής στο Πανεπιστήμιο της Ναβάρα, ακολουθήσαμε αυτήν την ιδέα για να αναπτύξουμε το GeNNius, ένα μοντέλο που στοχεύει στη δημιουργία ενός δικτύου μεταξύ φαρμάκων και πρωτεϊνών. Η εφαρμογή του έχει ήδη βελτιώσει τα υπάρχοντα μοντέλα, ειδικά όσον αφορά τον χρόνο εκτέλεσης: σε μόλις ένα λεπτό μπορούμε να αξιολογήσουμε περίπου 23.000 αλληλεπιδράσεις.
Ενώ το μοντέλο έχει καλές προγνωστικές δυνατότητες, υπάρχει ακόμη περιθώριο βελτίωσης. Για παράδειγμα, προκύπτουν προκλήσεις κατά την αξιολόγηση πιθανών αλληλεπιδράσεων με μόρια που δεν αποτελούν μέρος του δικτύου ή για τα οποία έχουμε λίγα αρχικά δεδομένα. Παρόλο που είναι τεχνικά εφικτό να δημιουργηθεί ένα αποτέλεσμα, το μοντέλο συχνά δίνει αποτελέσματα χαμηλής αξιοπιστίας σε αυτές τις περιπτώσεις.
Με την υπέρβαση αυτών των εμποδίων και με περαιτέρω έρευνα, αυτά τα μοντέλα θα μπορούσαν να εξελιχθούν στο μέλλον σε συστήματα που παρέχουν εξατομικευμένες συστάσεις για κάθε ασθενή.
