← プロジェクト一覧

ZenithSync Assay Planner

実験では次に何を測定すべきでしょうか?

役割

開発者兼研究者

コンテキスト

AI4Sオープンイノベーション:ライフサイエンスのためのAI

ツールと方法

Python · ガウス過程 · 最適実験計画 · ブートストラップ推論 · ローカルブラウザ UI

ZenithSync Assay Planner を表す手作りの島の模型
島の解説

二枚のプレート、一本の曲線、そして買う価値のある三つのウェル。

このサイトのために Blender で制作したイラストです。考え方を説明するためのもので、プロジェクトのデータではありません。

プロジェクトの画像・図・動画は原文のまま掲載しています。

出発点となる問い

測定のたびに、実験の予算の一部が使われます。対照が一つあり、最低用量と最高用量がすでに測定されているとき、薬剤の用量反応曲線を確定させるには、次にどのウェルをいくつ買うべきでしょうか。私は、すでにわかっていること、不確実性が残っている箇所、そして共通の対照が複数の処理測定に同時にどう影響するかを考慮するプランナーを構築しました。

6,496確認段階での対になった薬剤コンテキスト
148100 人の患者に由来するオルガノイドサンプル
32.82%ランダム選択と比べた誤差の減少
0.66%貪欲法のベースラインと比べた誤差の減少
01

共有制御問題

処理群の応答は、測定された対照と比較して読み取ります。複数の応答が同じ基準を共有すると、その誤差は互いに関連します。対照が高く出れば、すべてのコントラストがそろって低く出るのです。プランナーは対照を完全に既知のものとして扱わず、この依存関係を保持します。そして、処理ウェルを増やすより効果が大きい場合には、対照ウェルを追加で購入することも選べます。

02

ゼロから始まる曲線

応答は対数用量上のガウス過程としてモデル化し、用量ゼロでの薬剤効果がちょうどゼロになるようにカーネルを調整しています。そのため対照は、薬剤効果は持たないものの、共通のノイズを通じて情報を持ちます。ハイパーパラメータは、開発データセットでの leave-one-organoid-out 検証で一度だけ選び(28 のフォールドすべてが同じ設定を選びました)、その後固定しました。

03

バッチを厳密に選ぶ

予算が決まると、プランナーはあり得るすべてのウェルの組み合わせを探索し、計画した用量全体で平均的な不確実性が最も小さくなる組を選びます。互いに交換可能なウェルはグループ化し、一つの代表で多数の同等な組み合わせを代替します。確認段階では、13,408 個の代表で 2,113,536 通りの部分集合をカバーしました。テストに含まれる小さな反例が、これが重要な理由を示しています。単独で最良のウェルが、最良のペアに含まれるとは限らないのです。

04

見たことのないデータで主張を検証する

プロトコルは、確認用データセットの応答を開く前に固定し、タイムスタンプを記録しました。このデータセットには、コンテキストごとに並行する 2 枚のプレートがあり、一方のプレートからウェルを選び、もう一方で評価します。100 人の患者に由来する 148 のオルガノイドサンプルの 6,496 コンテキストにわたって、厳密な選択は、同じモデルのもとでのランダム選択に比べて平均二乗誤差を 32.82% 下げました。より強力な貪欲法のベースラインに対する改善は 0.66% で、これが厳密探索の利点の正直な大きさです。

05

記録に残したもの

開発データセットでは、同じ比較の結果は決定的ではありませんでした。すべてのブートストラップ区間がゼロを含んでいたのです。それ以前の肝臓チップのパイロット実験でも、肯定的な結果は得られませんでした。どちらも確認結果と並べてリポジトリに残しています。最初の評価器の実行がクラッシュした記録も保存しており、加えた修正はシリアライズに関するものだけです。

技術のしくみ

コントロールウェルはモデルの一部である。

  1. 01

    共分散を維持する

    同じ対照の測定値を複数の処理群の測定値から差し引くと、共通の誤差が生じます。生の誤差が互いに独立で分散が s² のとき、コントラストのノイズの共分散は R = s²(I + 11ᵀ) となり、対角成分は 2s²、非対角成分は s² です。結合ガウスモデルはこの依存関係を保持し、その誤差は依存関係を無視したアブレーションより 11.36% 小さくなりました。

  2. 02

    有限設計空間の探索

    最適化器は、設計した用量における事後分散 C − C[:,A] C[A,A]⁻¹ C[A,:] を均等に重み付けして最小化することで、固定予算のバッチを選びます。交換可能であることを検証したウェルはグループ化し、個数のパターンごとに一つの代表だけを評価します。これにより、有界問題の最適解を変えずに列挙を減らせます。テストでは総当たりの結果と照合しています。

  3. 03

    凍結してから評価する

    モデルの選択は、別の公開オルガノイド研究で確認を行う前に固定しました。厳密、貪欲、ランダムの各方策は、同じ予測モデルと測定予算を共有します。推論では、サンプル内でコンテキストを、患者内でサンプルを平均したうえで、患者単位でリサンプリングします。そのため、繰り返し現れるコンテキストを独立した証拠として数えることはありません。

共分散に基づく目的関数は、応答の値ではなく、設計と観測済みウェルの位置に依存します。これはモデルを固定したバッチ設計です。予測は測定値に応じて更新されますが、選択規則は応答に適応しません。評価指標は、生の対数スケールでの「処理マイナス対照」の信号の誤差であり、生存率ではありません。

数学的および貢献度の監査を読む
ここから言えないこと

正直な限界。

  • これらは公開データでの後ろ向きの結果です。実際の研究室でのコスト削減は実証されていません。
  • 名目上 90% の区間は、取り置いた測定値の 98.05% をカバーしました。つまり、よく較正されているというより、保守的な区間です。
  • 臨床上の利点、査読、コンテストでの入賞は、いずれも主張していません。チームのメンバーは私一人で、レビューを行ったのも私だけです。
プロジェクトは進行中

さらに詳しく見てみる。

YouTubeで見る

合成ナレーション付きのオリジナルプロジェクトのウォークスルー。レビュー段階で記録。 トランスクリプトを読む ↗

実際のアッセイプランナーの出力:選択された処理ウェルおよび対照ウェル、応答推定値、およびダウンロード可能な計画
作業インターフェースから

検査できる計画。

ローカルインターフェースは、選択されたウェル、それらの役割、およびモデルの応答推定値をリストする。結果はダウンロードしてさらに検査することができます。

公共研究リポジトリからのプロジェクトのスクリーンショット。

近くの島

ほかの島とのつながり。

コンテキストと詳細情報

これらは後ろ向きの研究結果です。実際の研究室での将来的なコスト削減、臨床上の利点、灌流型の臓器チップ実験への応用は実証されていません。開発データ:Farin et al.、確認データ:Kryeziu et al.(いずれも公開データ)。