Benchmarking van machine learning-methoden voor het voorspellen van synthetische lethale interacties bij kanker

AI kan op veel manieren worden ingezet. Ook in de gezondheidszorg wordt er hevig gebruik van gemaakt. Een nieuw onderzoek biedt hoop voor bepaalde gevallen van kanker.

Recent onderzoek, gepubliceerd in Nature Communications, biedt een uitgebreide benchmark van twaalf machine learning-modellen die worden ingezet voor het voorspellen van synthetische lethale (SL) interacties bij kanker. Synthetische lethale interacties, waarbij twee genen samen celdood veroorzaken zonder dat een enkele mutatie fataal is, bieden enorme mogelijkheden voor de ontwikkeling van kankertherapieën. Het onderzoek beoordeelde de prestaties van deze modellen in verschillende dataomgevingen, wat belangrijke inzichten oplevert voor de biomedische gemeenschap en AI-specialisten.

Dit onderzoek is fascinerend omdat het aantoont hoe machine learning-modellen kunnen bijdragen aan de ontwikkeling van gepersonaliseerde kankerbehandelingen. Bovendien biedt de studie inzicht in de huidige beperkingen van AI-modellen in complexe biologische toepassingen.

De focus op datakwaliteit en negatieve staaltechnieken laat zien hoe zelfs geavanceerde AI-modellen afhankelijk blijven van de inputdata, wat een relevant gespreksonderwerp is binnen AI-onderzoek. Dat is te lezen bij Nature.

Het onderzoek toont aan dat de datakwaliteit en de manier waarop negatieve labels worden gegenereerd, een cruciale invloed hebben op de prestaties van de modellen. Door bijvoorbeeld negatieve voorbeelden te baseren op genexpressie, konden de nauwkeurigheid en de voorspellende kracht van de modellen aanzienlijk worden verbeterd​.

Onder de geteste methoden presteerde SLMGAE het best, vooral in taken waarbij classificatie en rangschikking van genen cruciaal zijn.

Een bijzonder aspect van dit onderzoek is de focus op realistische scenario's, zoals tests met nieuwe genen (cold-start-situaties). Hoewel sommige modellen zoals SLMGAE goed presteerden in traditionele tests, bleek dat ze nog steeds moeite hebben met generalisatie in deze uitdagende situaties​.

Deze bevindingen roepen de vraag op hoe AI verder kan evolueren om medische doorbraken, zoals synthetische lethale therapieën, efficiënter en klinisch toepasbaar te maken.