Γιατί η εφαρμογή της μηχανικής μάθησης στη βιολογία είναι δύσκολη – αλλά αξίζει τον κόπο

Ο Jimmy Lin είναι CSO του Freenome, η οποία αναπτύσσει τεστ με βάση το αίμα για την έγκαιρη ανίχνευση του καρκίνου, ξεκινώντας από τον καρκίνο του παχέος εντέρου. Είναι πρωτοπόρος στην ανάπτυξη υπολογιστικών προσεγγίσεων για την εξαγωγή γνώσεων από μεγάλης κλίμακας γονιδιωματικά δεδομένα, έχοντας πρωτοστατήσει στις υπολογιστικές αναλύσεις των πρώτων μελετών αλληλουχίας σε ολόκληρο το γονιδίωμα σε πολλαπλούς τύπους καρκίνου. 

Ο Lin μίλησε στο Future για τις προκλήσεις της εκτέλεσης μιας εταιρικής αποστολής για να συνδυάσει προσεγγίσεις μηχανικής μάθησης και βιολογικά δεδομένα. Εξηγεί ποιους τρεις τύπους ανθρώπων πρέπει να προσλάβετε για να δημιουργήσετε μια ισορροπημένη εταιρεία τεχνολογίας, τις παγίδες που πρέπει να αποφύγετε, πώς να καταλάβετε πότε ο συνδυασμός δύο πεδίων λειτουργεί ή δεν λειτουργεί και τις αποχρώσεις της προσαρμογής βιολογικών μελετών και μηχανικής μάθησης ο ένας στον άλλον.

---

ΜΕΛΛΟΝ: Όπως πολλοί κλάδοι, υπάρχει πολύς ενθουσιασμός γύρω από τη δυνατότητα εφαρμογής της μηχανικής μάθησης στο βιο. Αλλά η πρόοδος φάνηκε πιο δύσκολη. Υπάρχει κάτι διαφορετικό σχετικά με τα βιομοριακά δεδομένα σε σύγκριση με τους τύπους δεδομένων που χρησιμοποιούνται συνήθως με τη μηχανική εκμάθηση;

JIMMY LIN: Τα παραδοσιακά δεδομένα μηχανικής εκμάθησης είναι πολύ ευρεία και ρηχά. Το είδος των προβλημάτων που επιλύει συχνά η μηχανική μάθηση είναι αυτά που μπορούν να λύσουν οι άνθρωποι σε ένα νανοδευτερόλεπτο, όπως η αναγνώριση εικόνας. Για να διδάξετε έναν υπολογιστή να αναγνωρίζει την εικόνα μιας γάτας, θα έχετε δισεκατομμύρια δισεκατομμύρια εικόνες για εκπαίδευση, αλλά κάθε εικόνα είναι σχετικά περιορισμένη στο περιεχόμενο δεδομένων της. Τα βιολογικά δεδομένα είναι συνήθως το αντίστροφο. Δεν έχουμε δισεκατομμύρια άτομα. Είμαστε τυχεροί που έχουμε χιλιάδες. Αλλά για κάθε άτομο, έχουμε δισεκατομμύρια και δισεκατομμύρια σημεία δεδομένων. Έχουμε μικρότερους αριθμούς πολύ βαθιών δεδομένων.

Ταυτόχρονα, τα βιολογικά ερωτήματα είναι λιγότερο συχνά τα προβλήματα που μπορούν να λύσουν οι άνθρωποι. Κάνουμε πράγματα που ακόμη και οι ειδικοί του κόσμου σε αυτό δεν μπορούν να κάνουν. Έτσι, η φύση των προβλημάτων είναι πολύ διαφορετική, γι 'αυτό απαιτεί νέα σκέψη για το πώς το προσεγγίζουμε αυτό.

Πρέπει οι προσεγγίσεις να δημιουργηθούν από την αρχή για τα βιομοριακά δεδομένα ή μπορείτε να προσαρμόσετε τις υπάρχουσες μεθόδους;

Υπάρχουν τρόποι με τους οποίους μπορείτε να πάρετε αυτές τις βαθιές πληροφορίες και να τις χαρακτηρίσετε, ώστε να μπορείτε να επωφεληθείτε από τα υπάρχοντα εργαλεία, είτε πρόκειται για στατιστική μάθηση είτε για μεθόδους βαθιάς μάθησης. Δεν είναι άμεση αντιγραφή-επικόλληση, αλλά υπάρχουν πολλοί τρόποι με τους οποίους μπορείτε να μεταφέρετε πολλές από τις μεθόδους μηχανικής εκμάθησης και να τις εφαρμόσετε σε βιολογικά προβλήματα, ακόμα κι αν δεν είναι ένας άμεσος χάρτης ένας προς έναν.

Εξετάζοντας λίγο περισσότερο το ζήτημα των δεδομένων, με τα βιολογικά δεδομένα υπάρχει μεγάλη μεταβλητότητα – υπάρχει βιολογικός θόρυβος, υπάρχει πειραματικός θόρυβος. Ποιος είναι ο καλύτερος τρόπος για να προσεγγίσετε τη δημιουργία βιοϊατρικών δεδομένων έτοιμα για μηχανική μάθηση; 

Αυτή είναι μια μεγάλη ερώτηση. Από την αρχή, το Freenome έλαβε υπόψη τον τρόπο δημιουργίας των καλύτερων δεδομένων που είναι κατάλληλα για μηχανική εκμάθηση. Σε όλη τη διαδικασία, από το σχεδιασμό της μελέτης, τη συλλογή δειγμάτων, την εκτέλεση των αναλύσεων, την ανάλυση δεδομένων, χρειάζεται προσοχή σε κάθε βήμα για να μπορείτε να βελτιστοποιήσετε τη μηχανική εκμάθηση, ειδικά όταν έχετε τόσα περισσότερα χαρακτηριστικά από τα δείγματα. Είναι το κλασικό πρόβλημα big-p small-n.

Πρώτα και κύρια, σχεδιάσαμε τη μελέτη μας για να ελαχιστοποιήσουμε τους συγχυτικούς παράγοντες. Πολλές εταιρείες έχουν βασιστεί σε ιστορικά σύνολα δεδομένων και έχουν κάνει πολλή δουλειά προσπαθώντας να ελαχιστοποιήσουν τα αποτελέσματα κοόρτης και να αφαιρέσουν συγχυτές. Αλλά είναι πραγματικά αυτός ο καλύτερος τρόπος για να το κάνετε; Λοιπόν, όχι, ο καλύτερος τρόπος για να το κάνετε είναι μια προοπτική μελέτη όπου ελέγχετε εκ των προτέρων τους συγχυτές. Αυτός είναι ο λόγος για τον οποίο, ακόμη και στις προσπάθειές μας για ανακάλυψη, αποφασίσαμε να κάνουμε μια μεγάλη προοπτική δοκιμή πολλών τοποθεσιών που συλλέγει εκ των προτέρων δεδομένα χρυσού προτύπου, όπως Δοκιμή AI-EMERGE.

Ευτυχώς έχουμε επενδυτές που πίστεψαν σε εμάς αρκετά για να μας επιτρέψουν να δημιουργήσουμε αυτά τα δεδομένα. Αυτό ήταν πραγματικά ένα μεγάλο ρίσκο που έπρεπε να αναληφθεί, επειδή αυτές οι μελέτες είναι πολύ ακριβές. 

Στη συνέχεια, μόλις λάβετε τα δεδομένα, τι κάνετε με αυτά;

Λοιπόν, πρέπει να εκπαιδεύσετε όλες τις τοποθεσίες με συνεπή τρόπο και να ελέγξετε για συγχυτές από όλες τις διαφορετικές τοποθεσίες, ώστε οι ασθενείς να φαίνονται όσο το δυνατόν πιο όμοιοι. Και μετά, μόλις εκτελέσετε τα δείγματα, πρέπει να σκεφτείτε πώς να ελαχιστοποιήσετε τα αποτελέσματα παρτίδας, όπως βάζοντας το σωστό μείγμα δειγμάτων σε διαφορετικά μηχανήματα στις σωστές αναλογίες.

Αυτό είναι πολύ δύσκολο όταν το κάνεις multiomics επειδή οι μηχανές που αναλύουν μια κατηγορία βιομορίων μπορεί να πάρουν εκατοντάδες δείγματα σε μια σειρά, ενώ οι μηχανές που αναλύουν μια άλλη κατηγορία βιομορίων μπορεί να χρειαστούν μόνο λίγα. Επιπλέον, θέλετε να αφαιρέσετε το ανθρώπινο λάθος. Έτσι, εισαγάγαμε τον αυτοματισμό λίγο πολύ εκ των προτέρων, στο στάδιο της παραγωγής απλώς εκπαιδευτικών δεδομένων.

Επίσης, όταν έχετε δισεκατομμύρια πόντους δεδομένων ανά άτομο, γίνεται πολύ, πολύ εύκολο να υπερπροσαρμόσετε. Έτσι, φροντίζουμε η εκπαίδευσή μας να μπορεί να γενικευτεί στους πληθυσμούς στους οποίους τελικά θέλουμε να την εφαρμόσουμε, με τις σωστές στατιστικές διορθώσεις και πολλά διαδοχικά σετ εκπαίδευσης και δοκιμών.

Ο συνδυασμός μηχανικής μάθησης με βιομοριακά δεδομένα είναι κάτι που προσπαθούν να κάνουν πολλές εταιρείες βιοτεχνολογίας, αλλά πολλές φορές υπάρχει μεγάλη ασάφεια σχετικά με το πώς θα το κάνουν αυτό. Ποιο θεωρείτε βασικό χαρακτηριστικό της αποτελεσματικής ενσωμάτωσής τους;

At Freenome συγχωνεύουμε μηχανική μάθηση και πολυομική. Για να το κάνετε αυτό, πρέπει να κάνετε και τα δύο καλά. Το κλειδί εδώ είναι ότι πρέπει να έχετε ισχυρή τεχνογνωσία και στα δύο και μετά να μπορείτε να μιλάτε τη γλώσσα και των δύο. Πρέπει να είσαι δίγλωσσος. 

Υπάρχουν πολλές εταιρείες που είναι ειδικές στο ένα και μετά πασπαλίζουν σε ένα στρώμα από το άλλο. Για παράδειγμα, υπάρχουν εταιρείες τεχνολογίας που αποφασίζουν ότι θέλουν να μεταβούν στο βιογραφικό, αλλά το μόνο που κάνουν είναι να προσλάβουν μια χούφτα επιστημόνων υγρού εργαστηρίου. Από την άλλη πλευρά, υπάρχουν εταιρείες βιολογίας που προσλαμβάνουν μερικούς επιστήμονες μηχανικής μάθησης και μετά θα δηλώσουν ότι είναι εταιρεία AI/ML τώρα. 

Αυτό που πραγματικά χρειάζεστε είναι βαθιά δύναμη πάγκου και στα δύο. Χρειάζεστε μια βαθιά βιολογική κατανόηση του συστήματος, των διαφορετικών αναλύσεων, των χαρακτηριστικών του χώρου γνώσης. Αλλά πρέπει επίσης να έχετε βαθιά κατανόηση της μηχανικής μάθησης, της επιστήμης δεδομένων, των υπολογιστικών μεθόδων και της στατιστικής μάθησης και να έχετε τις πλατφόρμες για να το εφαρμόσετε. 

Αυτό είναι πραγματικά δύσκολο γιατί αυτές οι δύο περιοχές είναι συχνά πολύ σιλό. Όταν σκέφτεστε τα άτομα που προσλαμβάνετε για την εταιρεία, πώς δημιουργείτε γέφυρες μεταξύ αυτών των δύο διαφορετικών τομέων;

Νομίζω ότι υπάρχουν τρεις τύποι ανθρώπων που θέλετε να προσλάβετε για να γεφυρώσετε μεταξύ τεχνολογίας και βιογραφικής. Οι δύο πρώτοι είναι οι τυπικοί σας, οι ειδικοί στον τομέα της μηχανικής μάθησης ή της βιολογίας. Αλλά πρέπει επίσης να είναι ανοιχτοί και πρόθυμοι να μάθουν για τον άλλο τομέα, ή ακόμα καλύτερα, είχαν έκθεση και εμπειρία εργασίας σε αυτούς τους πρόσθετους τομείς.

Για τους ειδικούς της μηχανικής μάθησης, επιλέγουμε άτομα που δεν είναι μόνο εκεί για να αναπτύξουν τον πιο πρόσφατο αλγόριθμο, αλλά θέλουν να χρησιμοποιήσουν τους πιο πρόσφατους αλγόριθμους και να τους εφαρμόσουν σε βιολογικές ερωτήσεις. 

Η βιολογία είναι ακατάστατος. Όχι μόνο δεν έχουμε όλες τις μεθόδους μέτρησης των διαφορετικών αναλυτών, αλλά ανακαλύπτουμε συνεχώς νέα βιομόρια και χαρακτηριστικά. Υπάρχουν επίσης πολλοί συγχυτικοί παράγοντες και θόρυβος που πρέπει να ληφθούν υπόψη. Αυτά τα προβλήματα είναι γενικά πιο περίπλοκα από τα τυπικά προβλήματα μηχανικής μάθησης, όπου το πρόβλημα και ο χώρος γνώσης είναι πολύ πιο καλά καθορισμένοι. Οι ειδικοί ML που θέλουν να εφαρμόσουν την τέχνη τους στη βιολογία πρέπει να έχουν ταπεινότητα για να μάθουν για την πολυπλοκότητα που υπάρχει στη βιολογία και να είναι πρόθυμοι να εργαστούν με λιγότερο από βέλτιστες συνθήκες και διαφορές στη διαθεσιμότητα δεδομένων.

Η άλλη πλευρά προσλαμβάνει βιολόγους που σκέφτονται τα προβλήματά τους με όρους παραγωγής ποσοτικών δεδομένων μεγαλύτερης κλίμακας, σχεδιαστικών μελετών για τη βελτιστοποίηση των αναλογιών σήματος προς θόρυβο και γνωρίζουν τις προειδοποιήσεις των συγχυτικών παραγόντων και της γενίκευσης. Είναι κάτι περισσότερο από το να μπορείς να μιλάς και να σκέφτεσαι στη γλώσσα του κώδικα. Πολλοί από τους βιολόγους μας ήδη κωδικοποιούν και έχουν καλό στατιστικό υπόβαθρο, και είναι πρόθυμοι και θέλουν να αναπτυχθούν σε αυτούς τους τομείς. Στην πραγματικότητα, στη Freenome, έχουμε στην πραγματικότητα προγράμματα κατάρτισης για βιολόγους που θέλουν να μάθουν περισσότερα για την κωδικοποίηση για να μπορέσουν να αναπτύξουν τη στατιστική τους συλλογιστική.

Αυτό που είναι ακόμα πιο σημαντικό είναι ότι ο σχεδιασμός της μελέτης, και οι ερωτήσεις που μπορούμε να κάνουμε, φαίνονται διαφορετικά όταν σχεδιάζονται στο πλαίσιο των μεγάλων δεδομένων και της ML.

Ποιος είναι ο τρίτος τύπος;

Ο τρίτος τύπος ατόμου για πρόσληψη είναι ο πιο δύσκολος να βρεθεί. Αυτοί είναι οι γέφυρες – άνθρωποι που έχουν εργαστεί άπταιστα και στους δύο αυτούς τομείς. Υπάρχουν πολύ λίγα μέρη και εργαστήρια στον κόσμο που βρίσκονται ακριβώς σε αυτή τη διασταύρωση. Είναι πολύ, πολύ σημαντικό να αποκτήσετε ανθρώπους που μπορούν να μεταφράσουν και να γεφυρώσουν και τους δύο τομείς. Αλλά δεν θέλετε να δημιουργήσετε μια εταιρεία μόνο γεφυρών, επειδή συχνά αυτοί οι άνθρωποι δεν είναι οι ειδικοί σε έναν ή τον άλλο τομέα, λόγω αυτού που κάνουν. Συχνά είναι πιο γενικοί στην κατανόησή τους. Ωστόσο, παρέχουν το κρίσιμο έργο της ένωσης των δύο πεδίων.

Επομένως, είναι σημαντικό να έχουμε και τις τρεις ομάδες ανθρώπων. Εάν έχετε μόνο έναν από τους ειδικούς ειδικούς τομέα, θα είστε ισχυροί μόνο σε έναν τομέα. Ή, αν δεν έχετε τους κατασκευαστές γεφυρών, τότε έχετε σιλό ανθρώπων που δεν θα μπορούν να μιλήσουν μεταξύ τους. Βέλτιστα, οι ομάδες θα πρέπει να περιλαμβάνουν καθένα από αυτούς τους τρεις τύπους ανθρώπων για να επιτρέψει τη βαθιά κατανόηση τόσο της ML όσο και της βιολογίας, καθώς και την παροχή αποτελεσματικής συνέργειας και των δύο αυτών τομέων.

Βλέπετε διαφορές στον τρόπο με τον οποίο οι ειδικοί στην τεχνολογία ή στους υπολογιστές επιτίθενται σε προβλήματα σε σχέση με τον τρόπο με τον οποίο οι βιολόγοι προσεγγίζουν τα προβλήματα; 

Ναι. Στο ένα άκρο, σίγουρα έχουμε ανθρώπους που προέρχονται από στατιστικό και ποσοτικό υπόβαθρο και μιλούν με κώδικα και εξισώσεις. Πρέπει να τους βοηθήσουμε να πάρουν αυτές τις εξισώσεις και να το εξηγήσουν με σαφή τρόπο, ώστε το ευρύ κοινό να μπορεί να καταλάβει. 

Οι βιολόγοι έχουν μεγάλη φαντασία γιατί εργάζονται με πράγματα που είναι αόρατα. Χρησιμοποιούν πολλές απεικονίσεις σε παρουσιάσεις για να βοηθήσουν στην οπτικοποίηση του τι συμβαίνει μοριακά και έχουν μεγάλη διαίσθηση σχετικά με τους μηχανισμούς και την πολυπλοκότητα. Πολλές από αυτές τις σκέψεις είναι πιο ποιοτικές. Αυτό παρέχει έναν διαφορετικό τρόπο σκέψης και επικοινωνίας.

Έτσι, ο τρόπος με τον οποίο επικοινωνούν οι άνθρωποι θα είναι πολύ, πολύ διαφορετικός. Το κλειδί είναι – λέμε κάπως χαριτολογώντας – πρέπει να επικοινωνούμε με τρόπο που ακόμη και η γιαγιά σας μπορεί να καταλάβει. 

Απαιτείται αληθινή γνώση των γνώσεών σας για να μπορέσετε να την απλοποιήσετε έτσι ώστε ακόμη και ένας αρχάριος να μπορεί να καταλάβει. Νομίζω ότι είναι πραγματικά εξαιρετική εκπαίδευση για κάποιον να μάθει να επικοινωνεί πολύ δύσκολες έννοιες εκτός των κανονικών συντομεύσεων, ορολογίας και τεχνικής γλώσσας.

Τι ενέπνευσε την ιδιαίτερη άποψή σας για το πώς να παντρέψετε τη μηχανική μάθηση και τη βιολογία;

Έτσι, το πρόβλημα δεν είναι νέο, αλλά μάλλον η τελευταία επανάληψη ενός παλιού προβλήματος. Όταν τα χωράφια των υπολογιστική βιολογία και βιοπληροφορική δημιουργήθηκαν για πρώτη φορά, υπήρχε το ίδιο πρόβλημα. Επιστήμονες υπολογιστών, στατιστικολόγοι, επιστήμονες δεδομένων ή ακόμα και φυσικοί εντάχθηκαν στον τομέα της βιολογίας και έφεραν την ποσοτική τους σκέψη στο πεδίο. Ταυτόχρονα, οι βιολόγοι έπρεπε να ξεκινήσουν τη μοντελοποίηση πέρα ​​από τον χαρακτηρισμό των γονιδίων ως ρυθμιζόμενων προς τα πάνω και προς τα κάτω, και να αρχίσουν να προσεγγίζουν τα δεδομένα πιο ποσοτικά. Η ψηφιοποίηση των βιολογικών δεδομένων μόλις τώρα έχει αυξηθεί εκθετικά σε κλίμακα. Το πρόβλημα είναι πιο οξύ και εκτεταμένο σε έκταση, αλλά οι θεμελιώδεις προκλήσεις παραμένουν οι ίδιες.

Τι θεωρείτε είτε ως μετρήσεις επιτυχίας είτε ως κόκκινες σημαίες που σας λένε εάν ο γάμος λειτουργεί ή όχι;

Αν κοιτάξετε τις εταιρείες που προσπαθούν να συνδυάσουν τομείς, μπορείτε πολύ γρήγορα να δείτε πόσα επενδύουν στη μία ή στην άλλη πλευρά. Έτσι, εάν πρόκειται για μια εταιρεία όπου το 90% των ανθρώπων είναι επιστήμονες εργαστηρίου, και στη συνέχεια προσέλαβαν έναν ή δύο επιστήμονες μηχανικής μάθησης και αυτοαποκαλούνται εταιρεία ML, τότε αυτό είναι μάλλον μια μεταγενέστερη σκέψη.

Υπάρχει ένα μάθημα που έχετε πάρει στο σπίτι σε όλη αυτή τη διαδικασία παντρεύματος της βιολογίας και της μηχανικής μάθησης;

Νομίζω ότι η πνευματική ταπεινοφροσύνη, ειδικά από την πλευρά της τεχνολογίας. Με κάτι σαν επίλυση για αναζήτηση, για παράδειγμα, όλες οι πληροφορίες βρίσκονται ήδη σε μια φόρμα κειμένου στην οποία μπορείτε εύκολα να έχετε πρόσβαση και ξέρετε τι ψάχνετε. Έτσι, γίνεται ένα επιλύσιμο πρόβλημα, σωστά; Το πρόβλημα με τη βιολογία είναι ότι δεν ξέρουμε καν ποια σύνολα δεδομένων αναζητούμε, αν έχουμε καν τον κατάλληλο φακό για να λάμπει στις σωστές περιοχές. 

Έτσι, μερικές φορές, όταν οι ειδικοί της τεχνολογίας μπαίνουν στο βιογραφικό, πέφτουν σε μια παγίδα υπεραπλούστευσης. Ας πούμε, για παράδειγμα, για την αλληλουχία επόμενης γενιάς θα μπορούσαν να πουν, «Ουάου. Μπορούμε να προσδιορίσουμε την αλληλουχία του DNA. Γιατί δεν κάνουμε απλώς αλληλουχία πολλών και πολλών DNA; Γίνεται πρόβλημα δεδομένων και μετά λύνουμε τη βιολογία». 

Αλλά το πρόβλημα είναι ότι το DNA είναι ένας από τους δεκάδες διαφορετικούς αναλύτες στο σώμα. Υπάρχει RNA, πρωτεΐνη,μετα-μεταφραστικές τροποποιήσεις, διαφορετικά διαμερίσματα όπως εξωκυττάρια κυστίδια και διαφορές στο χρόνο, το χώρο, τον κυτταρικό τύπο, μεταξύ άλλων. Πρέπει να κατανοήσουμε τις δυνατότητες καθώς και τους περιορισμούς κάθε μεθόδου δεδομένων που χρησιμοποιούμε.

Αν και μπορεί να είναι δύσκολο να το πιστέψουμε, η βιολογία είναι ακόμα ένα πεδίο στα σπάργανά της. Εμείς μόλις προσδιορίστηκε η αλληλουχία ενός ανθρώπινου γονιδιώματος πριν από λίγο περισσότερο από δύο δεκαετίες. Τις περισσότερες φορές, δεν μπορούμε να έχουμε πρόσβαση σε μεμονωμένα βιολογικά σήματα, επομένως εξακολουθούμε να λαμβάνουμε μετρήσεις που είναι συγκεντρωτικές ή κατά μέσο όρο σε πολλά σήματα. Μόλις αρχίζουμε να μετράμε ένα κελί τη φορά. Υπάρχουν ακόμα πολλά να κάνουμε και γι' αυτό είναι μια συναρπαστική στιγμή για να ασχοληθείτε με τη βιολογία. 

Αλλά με αυτή τη βρεφική ηλικία έρχεται μεγάλη δυνατότητα επίλυσης προβλημάτων που θα έχουν τεράστιο αντίκτυπο στην ανθρώπινη υγεία και ευημερία. Είναι μια πολύ καταπληκτική στιγμή γιατί ανοίγουμε νέα σύνορα στη βιολογία.

Τι είδους σύνορα; Υπάρχει κάποιος τομέας της βιολογίας ή της ιατρικής όπου είστε πιο ενθουσιασμένοι που βλέπετε να εφαρμόζεται υπολογισμός;

Ναι - τα πάντα! Ας σκεφτώ όμως. Στον καρκίνο, πιστεύω ότι στη γενιά μας οι νέες θεραπείες και οι προσπάθειες έγκαιρης ανίχνευσης που βγαίνουν θα μετατρέψουν τον καρκίνο σε μια χρόνια ασθένεια που δεν είναι πλέον τόσο τρομακτική, όπως κάναμε για τον HIV. Και μπορούμε πιθανώς να χρησιμοποιήσουμε πολύ παρόμοιους τύπους μεθόδων για να εξετάσουμε την ανίχνευση και την πρόληψη ασθενειών γενικότερα. Το βασικό πράγμα για το οποίο με ενθουσιάζει είναι ότι μπορούμε να αρχίσουμε να ανιχνεύουμε εάν η ασθένεια είναι ήδη εκεί πριν από τα συμπτώματα. 

Πέρα από τη διάγνωση του καρκίνου, αυτό που είναι επίσης πολύ ωραίο είναι η μετάβαση στην οικοδόμηση με βιολογία αντί για απλή ανάγνωση και γραφή. Είμαι ενθουσιασμένος με τους τομείς της συνθετικής βιολογίας όπου χρησιμοποιούμε τη βιολογία ως τεχνολογία, είτε πρόκειται για CRISPR είτε για συνθετικά πεπτίδια είτε για συνθετικά νουκλεοτίδια. Η αξιοποίηση της βιολογίας ως εργαλείου δημιουργεί εκτεταμένες δυνατότητες για τον πλήρη μετασχηματισμό των παραδοσιακών βιομηχανιών παραγωγής πόρων, από τη γεωργία στην ενέργεια. Αυτή είναι πραγματικά μια καταπληκτική στιγμή για να γίνεις βιολόγος!

Δημοσιεύτηκε στις 5 Οκτωβρίου 2022