亞洲健康互聯
優化產業的推手,生醫商機的GPS!

首頁產業資訊精準醫療精準醫療將適應性免疫系統理解為強化學習

將適應性免疫系統理解為強化學習

來源 : 亞洲健康互聯海外中心
update : 2021/03/12
東京大學的研究人員使用自適應學習和人工智能的數學方法來描述T輔助細胞如何調節脊椎動物免疫系統的反應,這可能會導致新的疫苗和感染治療。圖片來源:東京大學產業科學研究所

東京大學工業科學研究所的科學家於39日在《物理評論研究》上,展示了自適應免疫系統如何使用類似於強化學習(Reinforcement Learning,簡稱RL)的方法,來控制免疫反應以重複感染。這項工作可能引導疫苗開發和干預措施的顯著改善,以增強免疫系統。

在人體中,適應性免疫系統透過記住以前的感染來抵抗細菌,因此,如果相同的病原體返回,它可以迅速做出反應。這個複雜的過程取決於許多細胞類型的合作。其中有T輔助細胞,它們透過協調免疫系統其他部分(效應細胞)的反應而輔助,例如殺手T 細胞和B細胞。當檢測到入侵的病原體時,抗原呈遞細胞將細菌的​​鑑定片段帶入T細胞。某些T細胞在被稱為克隆選擇的過程中被活化並繁殖多次。這些克隆封送一組特定的效應細胞以對抗細菌。儘管已經對免疫系統進行了數十年的廣泛研究,但T細胞用來優化對威脅反應的「算法」仍是未知之數。

現在,東京大學的科學家使用人工智能框架來證明T助手的數量,就像自適應學習中常用的人工神經網絡中,輸入和輸出之間的「隱含層」(Hidden Layer)一樣。在這種情況下,呈遞的抗原是輸入,而反應性效應免疫細胞是輸出。

該研究的第一作者加藤拓也說:「就像可以在機器學習中訓練神經網絡一樣,我們相信免疫網絡可以反映抗原模式,與對病原體的有效反應之間的關聯。」

與電腦機器學習相比,自適應免疫系統之間的主要區別在於,與每種層的節點之間的連接權重不同,每種類型的T輔助細胞的數量只能改變。該小組使用電腦模擬來預測自適應學習後T細胞豐度的分佈。發現這些值與基於實際T輔助細胞的基因定序的實驗數據一致。

合著者小林哲也說:「我們的理論框架,可能會完全改變我們對自適應免疫作為一種真正的學習系統的理解。 這項研究可以揭示其他複雜的適應性系統,以及優化疫苗以引發更強免疫反應的方法。」