Dienstag, 24. November 2020
Navigation öffnen
Anzeige:
Myelofibrose
Myelofibrose
 
Medizin

29. Mai 2019 Maschinelles Lernen: Zugang auf aktuelle Algorithmen mit Open-Access-Plattform

Um herauszufinden, welche Gene für Krankheiten wie Krebs oder Diabetes verantwortlich sind, wird heute häufig auf Methoden des Maschinellen Lernens zurückgegriffen. Damit die klinische Forschung Zugang zu den aktuellen Algorithmen erhält, hat Prof. Julien Gagneur von der Technischen Universität München (TUM) in Zusammenarbeit mit Wissenschaftlern anderer Universitäten und Forschungsinstitute die Open-Access-Plattform „Kipoi“ aufgebaut.
Anzeige:
Polivy
Machine-Learning-Modelle

Obwohl die Bedeutung von Methoden des Maschinellen Lernens in der Genomforschung in den letzten Jahren stetig gewachsen ist, mussten Forscher häufig auf veraltete Software zurückgreifen. Für die klinische Forschung waren die aktuellen Modelle meist nicht zugänglich, da diese auf nichtöffentlichen Servern gespeichert wurden. Das soll sich mit einer neuen kostenlosen Open-Access-Plattform ändern: Kipoi ermöglicht den einfachen Austausch von Machine-Learning-Modellen im Bereich der Genomforschung. Geschaffen wurde die Plattform von Julien Gagneur, TUM, in Zusammenarbeit mit Forschern der University of Cambridge, der Stanford University, des European Bioinformatics Institute (EMBL-EBI) und des European Molecular Biology Laboratory (EMBL).

Trainierte Modelle leicht zugänglich

„Was Kipoi besonders macht, ist dass man hier frei zugänglich bereits trainierte Machine-Learning-Modelle finden kann“, sagt Julien Gagneur. „Die Algorithmen, die wir hier bereitstellen, haben schon die wichtigsten Daten als Input bekommen und daran gelernt. Sie sind also sofort einsatzbereit, da der zeitraubende Prozess, sie auf Daten anzuwenden, bereits abgeschlossen ist“, sagt Anshul Kundaje, Stanford. Mehr als 2.000 trainierte Modelle sind auf Kipoi momentan frei zugänglich. Wie die neue Plattform den Wissensaustausch in der Genomik-Community beschleunigen und damit die Genomforschung als Ganzes voranbringen wird, zeigen die Forscher in einer aktuell in Nature Biotechnology veröffentlichten Studie.

Schnelle Algorithmen und einfache Bedienung

Kipoi vereinfacht den Zugang zu bereits trainierten Modellen und ermöglicht es Forschern dadurch, das Transferlernen durchzuführen: Ein Modell, das bereits mit einem bestimmten Datensatz trainiert wurde, kann eine ähnliche Aufgabe schneller lernen. Zudem vereinfacht Kipoi den Prozess der Dateneingabe in die dort gespeicherten Modelle: Durch standardisierte Dateiformate und Software-Frameworks beschränkt sich die Installation und Ausführung eines Modells auf 3 einfache Befehle. Die Plattform ist so auch für diejenigen leicht zu bedienen, die bisher keine Erfahrung mit Maschinellem Lernen hatten.

Verständnis einzelner Genome

Da Kipoi speziell auf Modelle ausgerichtet ist, die Genotyp und Phänotyp miteinander verknüpfen, wird es mithilfe der neuen Plattform einfacher werden, genetische Ursachen für Krankheiten ausfindig zu machen: „Die Deep-Learning-Modelle, die wir mit Kipoi zur Verfügung stellen, basieren auf massiven genomischen Datensätzen“, sagt Julien Gagneur. „Dies bietet sehr spannende Möglichkeiten, einzelne Genome zu verstehen. Zum Beispiel genetische Varianten, die Krankheiten verursachen, zu identifizieren oder Mutationen in Tumoren zu interpretieren.“

Quelle: Technische Universität München


Anzeige:
Empliciti
Empliciti

Sie können folgenden Inhalt einem Kollegen empfehlen:

"Maschinelles Lernen: Zugang auf aktuelle Algorithmen mit Open-Access-Plattform"

Bitte tragen Sie auch die Absenderdaten vollständig ein, damit Sie der Empfänger erkennen kann.

Die mit (*) gekennzeichneten Angaben müssen eingetragen werden!

Die Verwendung Ihrer Daten für den Newsletter können Sie jederzeit mit Wirkung für die Zukunft gegenüber der rsmedia GmbH widersprechen ohne dass Kosten entstehen. Nutzen Sie hierfür etwaige Abmeldelinks im Newsletter oder schreiben Sie eine E-Mail an: info[at]rsmedia-verlag.de.


ESMO Virtual Congress 2020
  • Fortgeschrittenes Melanom nach Versagen einer PD-(L)1-Inhibition: Vielversprechende Antitumoraktivität mit Pembrolizumab + Lenvatinib
  • Pembrolizumab + Lenvatinib: Vielversprechende Ansprechraten bei vorbehandelten fortgeschrittenen Tumoren
  • HNSCC: Pembrolizumab als Monotherapie und als Partner einer Platin-basierten Chemotherapie erfolgreich in der Erstlinie
  • Ösophaguskarzinom: Relevante OS- und PFS-Verlängerung durch Pembrolizumab + Chemotherapie in der Erstlinie
  • 5-Jahres-Daten der KEYNOTE-024-Studie bestätigen deutliche Überlegenheit für Pembrolizumab mono vs. Chemotherapie beim NSCLC mit hoher PD-L1-Expression
  • Neuer Anti-ILT4-Antikörper zeigt in Kombination mit Pembrolizumab erste vielversprechende Ergebnisse bei fortgeschrittenen Tumoren
  • Adjuvante Therapie mit Pembrolizumab verlängert auch das fernmetastasenfreie Überleben bei komplett resezierten Hochrisiko-Melanomen im Stadium III
  • HIF-2α-Inhibitor MK-6482 beim Von-Hippel-Lindau-Syndrom: Vielversprechende Wirksamkeit auch bei Nicht-RCC-Läsionen
  • Neuer Checkpoint-Inhibitor: Vielversprechende erste Studiendaten für Anti-TIGIT-Antikörper Vibostolimab in Kombination mit Pembrolizumab