Väitös tietotekniikan alalta, DI Heli Julkunen

Väitöskirjan nimi: Machine Learning for Precision Medicine

Tohtoriopiskelija: Heli Julkunen
Vastaväittäjä: professori Maik Pietzner, Precision Healthcare University Research Institute, Queen Mary University of London & Berlin Institute of Health (BIH), Saksa
Kustos: professori Juho Rousu, Aalto-yliopiston perustieteiden korkeakoulu, tietotekniikan laitos

Koneoppimismallien kehittäminen ja soveltaminen lääkeyhdistelmähoitojen ennustamiseen ja sairastumisriskien arviointiin

Täsmälääketiede on nouseva terveydenhuollon lähestymistapa, jonka tavoitteena on räätälöidä 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 lisänneet yksilöistä mitattavissa olevien molekyylitietojen määrää ja suurten tietoaineistojen saatavuutta, luoden siten mahdollisuuksia löytää tehokkaampia hoitoja, tunnistaa sairaustumisriskeistä kertovia biomarkkereita ja kehittää malleja sairastumisriskien ennustamiseksi. Suurten tietoaineistojen hyödyntäminen vaatii kuitenkin edistyneitä laskennallisia menetelmiä merkityksellisten ratkaisujen tuottamiseksi täsmälääketieteen tarpeisiin.

Tässä väitöskirjassa kehitetään ja sovelletaan laskennallisia menetelmiä täsmälääketieteen eri osa-alueille. Ensiksi väitöskirjassa esitellään koneoppimismenetelmä, joka on suunniteltu ennustamaan lääkeyhdistelmien vaikutuksia eri annostasoilla, mikä parantaa nykyisiä menetelmiä tarkkojen annoskohtaisten ennusteiden osalta. Tämä menetelmä osoitti 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.
    
Seuraavaksi väitöskirja laajentaa ymmärrystä veren biomarkkereista sairastumisriskien ennustamisessa analysoimalla 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, joka parantaa tapahtuma-aikaan perustuvaa riskien ennustamista huomioimalla ennustemuuttujien vuorovaikutukset. Tämä menetelmä osoitti parantunutta ennustustarkkuutta verrattuna tavanomaisiin menetelmiin useiden sairauksien ja eri tietolähteiden osalta, tukien siten tarkempien työkalujen kehittämistä sairastumisriskien arvioimiseksi.

Yhteenvetona, tässä väitöskirjassa esitetyt menetelmät ja löydökset edistävät
molekyylitason tietojen jalostamista ennaltaehkäisy- ja hoitostrategioiksi täsmälääketieteessä.

Avainsanat: täsmälääketiede, koneoppiminen, ennustava mallintaminen, elinaika-analyysi, riskien ennustaminen, metabolomiikka, lääkeyhdistelmät

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 10 päivää ennen väitöstä): https://aaltodoc.aalto.fi/doc_public/eonly/riiputus/ 

Yhteystiedot: 

Perustieteiden korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/52