Machine Learning for Precision Medicine

Täsmälääketiede on nouseva terveydenhuollon lähestymistapa, jonka tavoitteena on mukauttaa ennaltaehkäisy- ja hoitomenetelmiä yksilöllisten potilaserojen mukaisesti. Sen toteuttaminen on tullut yhä mahdollisemmaksi erilaisten molekyyliprofilointiteknologioiden, kuten genomiikan, transkriptomiikan, proteomiikan ja metabolomiikan, skaalautuvuuden ja kustannustehokkuuden edistymisen ansiosta. Nämä edistysaskeleet ovat paitsi laajentaneet yksilöistä mitattavissa olevien molekyylitietojen määrää, myös lisänneet suurten tietoaineistojen saatavuutta tutkimuskäyttöön. Tämä on puolestaan luonut mahdollisuuksia löytää tehokkaampia hoitoja, tunnistaa sairauksien biomarkkereita ja kehittää malleja sairastumisriskien ennustamiseksi. Näiden suurten ja monimutkaisten tietoaineistojen hyödyntäminen vaatii kuitenkin kehittyneitä laskennallisia menetelmiä, jotta niistä voidaan tuottaa merkityksellisiä ja käytännöllisiä ratkaisuja täsmälääketieteeseen. Tässä väitöskirjassa kehitetään ja sovelletaan laskennallisia menetelmiä täsmälääketieteen eri osa-alueille, kuten lääkeyhdistelmien hoitovaikutusten ennustamiseksi, metabolomisten biomarkkereiden hyödyntämiseksi sairastumisriskien arvioinnissa, sekä uusien menetelmien kehittämiseksi sairastumisriskien tarkempaan arviointiin. Ensimmäinen julkaisu esittelee koneoppimismenetelmän, joka on suunniteltu ennustamaan lääkeyhdistelmien vaikutuksia eri annostasoilla, mikä parantaa nykyisiä menetelmiä tarkkojen annoskohtaisten ennusteiden osalta. Tämä menetelmä osoitti erittäin korkeaa ennustustarkkuutta ja tunnisti uusia lääkeyhdistelmien synergioita, jotka vahvistettiin jälkikäteen kokeellisesti. Menetelmä tarjoaa siten tehokkaan tavan lääkeyhdistelmien järjestelmälliseen esiseulontaan ja tukee erityisesti yhdistelmähoitojen kehitystä syövän hoidossa. Toinen sarja julkaisuja laajentaa metabolomisiin biomarkkereihin pohjautuvaa näyttöä sairastumisriskien ennustamisessa hyödyntämällä väestötason metabolomiikkadataa. Nämä tutkimukset tunnistivat uusia metabolomisia biomarkkereita ja korostivat niiden potentiaalia erilaisten sairauksien riskien ennustamisessa, mukaan lukien sellaisten sairauksien, joissa metabolomiikkaa ei ole aiemmin tutkittu laajasti väestötasolla. Viimeisessä julkaisussa esitellään koneoppimismenetelmä, jonka tavoitteena on parantaa tapahtuma-aikaan perustuvaa sairastumisriskien ennustamista ottamalla kattavasti huomioon ennustemuuttujien keskinäiset vuorovaikutukset. Tämä menetelmä osoitti parantunutta tarkkuutta riskien ennustamisessa verrattuna tavanomaisiin menetelmiin useiden sairauksien ja eri tietolähteiden osalta, tukien siten tarkempien työkalujen kehittämistä sairastumisriskien arvioimiseksi. Yhteenvetona, tässä väitöskirjassa esitetyt uudet menetelmät ja biologiset löydökset edistävät molekyylitason tietojen jalostamista ennaltaehkäisy- ja hoitostrategioiksi täsmälääketieteessä.