PREDICTING DISEASE OUTCOMES USING MACHINE LEARNED MODELS

• Main Authors: RIESSELMAN, Adam, KOLLER, Daphne, KAYKAS, Ajamete, STANITSAS, Panagiotis Dimitrios, SHARON, Eilon, KATEGAYA, Lorn, CASALE, Francesco Paolo, PALMEDO, Peter, SALICK, Max, SULTAN, Mohammad Muneeb, COTTA-RAMUSINO, Cecilia
• Format: Patent
• Language: English; French
• Published: 25.11.2021
• Subjects: BEER; BIOCHEMISTRY; CHEMISTRY; COMPOSITIONS OR TEST PAPERS THEREFOR; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL ORENZYMOLOGICAL PROCESSES; ENZYMOLOGY; HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATIONTECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING ORPROCESSING OF MEDICAL OR HEALTHCARE DATA; INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTEDFOR SPECIFIC APPLICATION FIELDS; MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEICACIDS OR MICROORGANISMS; METALLURGY; MICROBIOLOGY; MUTATION OR GENETIC ENGINEERING; PHYSICS; PROCESSES OF PREPARING SUCH COMPOSITIONS; SPIRITS; VINEGAR; WINE

Embodiments of the disclosure include implementing a ML-enabled cellular disease model for validating an intervention, identifying patient populations that are likely responders to an intervention, and developing a therapeutic structure-activity relationship screen. To generate a cellular disease model, data is combined from human genetic cohorts, from the literature, and from general-purpose cellular or tissue-level genomic data to unravel the set of factors (e.g., genetic, environmental, cellular factors) that give rise to a particular disease. In vitro cells are engineered using the set of factors to generate training data for training machine learning models that are useful for implementing cellular disease models. Des modes de réalisation de l'invention comprennent la mise en œuvre d'un modèle de maladie cellulaire activé par apprentissage machine pour valider une intervention, l'identification de populations de patients qui sont susceptibles de répondre à une intervention, et le développement d'un écran de relation de structure-activité thérapeutique. Pour générer un modèle de maladie cellulaire, des données sont combinées à partir de cohortes génétiques humaines, issues de la littérature, et à partir de données génomiques de niveau cellulaire ou tissulaire à usage général pour démêler l'ensemble de facteurs (par exemple, des facteurs génétiques, environnementaux, cellulaires ) qui donnent naissance à une maladie particulière. Des cellules in vitro sont modifiées à l'aide de l'ensemble de facteurs pour générer des données d'apprentissage pour des modèles d'apprentissage machine d'entraînement qui sont utiles pour mettre en œuvre des modèles de maladie cellulaire.