俄勒冈州立大学新研究使迈向个性化医疗的关键一步成为可能：生物系统建模
俄勒冈州立大学工程学院的一项新研究表明，机器学习技术可以提供强大的新工具，用于推进个性化医疗、护理，根据患者生物学和疾病特征的独特方面优化其结果。
机器学习是人工智能的一个分支，其中计算机系统使用算法和统计模型来寻找数据趋势，在细胞水平上解决了生物系统中长期无法解决的问题。
这些系统往往具有很高的复杂性——首先是因为大量的单个细胞，其次是因为细胞的行为方式高度非线性，非线性系统对放大方法提出了挑战。
科学或数学中的线性系统意味着系统输入的任何变化都会导致输出成比例的变化。非线性系统不是这样工作的，世界上的许多系统，包括生物系统，都是非线性的。
这项由美国能源部部分资助并发表在《计算物理学杂志》上的新研究是使用机器学习解决非线性系统建模问题和理解人体组织中可能发生的复杂过程的首批案例之一。
机器学习的出现为我们提供了一种新工具，可以解决以前无法解决的问题，虽然工具本身不一定是新的，但拥有的特定应用程序却大不相同。研究人员开始以更受限的方式应用机器学习，这使我们能够解决以前无法解决的物理问题。
在模拟器官内的细胞活动时，不可能单独模拟该器官中的每个细胞——一立方厘米的组织可能包含十亿个细胞。该研究旨在减少分析或模拟特定生物过程所需的数据，同时保持细胞水平上发生的核心生物学、化学和物理学的保真度。
通过在细胞水平上减少一个非常复杂系统的信息负载，研究人员可以更好地分析和建模这些细胞的影响或反应，而无需对每个个体进行建模。
在这项研究中，研究人员能够利用机器学习并开发一种新方法来解决生物和化学系统中的经典非线性问题。
研究人员正在合作开展另一个研究项目，该项目采用机器学习技术来模拟通过身体的血流。获取更多前沿科技 研究进展 访问：https://byteclicks.com
个性化医疗正在迅速成为现实，多种学科的结合——例如分子生物学、应用数学和连续介质力学——正在以新的方式结合起来，使这成为可能。其中一个关键组成部分肯定是机器学习方法的持续进步。
