Si na ndihmon algoritmi i LinkedIn-it të gjejmë përdorime të reja për barna ekzistuese

Kur hyni në LinkedIn, zakonisht ju shfaqen sugjerime për t'u lidhur me njerëz që njihni, qoftë sepse keni ndjekur të njëjtin universitet, apo keni punuar në të njëjtën kompani apo industri.

Megjithatë, ndonjëherë këto sugjerime na zënë në befasi, si për shembull kur algoritmi ju rekomandon një të afërm apo mik të familjes edhe pse ata punojnë në një fushë krejt ndryshe nga ju. Duke pasur parasysh mungesën e plotë të përputhjes profesionale, mund të pyesni veten si ka mundësi që LinkedIn e di për këto lidhje në jetën reale.

Algoritmet e inteligjencës artificiale (IA) që qëndrojnë pas këtyre rekomandimeve përdorin një teknologji të quajtur Rrjet Neuronal Grafik, e cila bazohet në grafikë, struktura matematikore të përbëra nga nyje dhe lidhjet (të quajtura “skaje”) që i bashkojnë ato. Për një rrjet social si LinkedIn, mund të krijohet një grafik ku nyjet përfaqësojnë secilin përdorues, ndërsa lidhjet janë marrëdhëniet midis tyre.

Këto algoritme mbledhin informacion nga mjedisi i afërt i çdo nyje, domethënë lidhjet tona të drejtpërdrejta në LinkedIn. Më pas, ato e mbledhin këtë informacion dhe e integrojnë te nyja origjinale.

Pas këtij procesi, çdo profil pasqyron si të dhënat e veta, ashtu edhe ato të rrjetit të tij të afërt. Ky proces mund të përsëritet disa herë, në përsëritjen e dytë, kur ne mbledhim  informacion nga fqinjët tanë, ata nga ana e tyre tashmë kanë mbledhur informacion nga fqinjët e tyre, dhe si rezultat, ne përfitojmë të dhëna nga “lagjja” e dytë.

Një rrjet marrëdhëniesh

Në këto rrjete, nuk kanë rëndësi vetëm të dhënat tona personale, por edhe me kë jemi të lidhur dhe me kë janë të lidhur ata që njohim. Në versionin e plotë të algoritmit të LinkedIn-it, siç përdoret në praktikë, ka jo vetëm nyje që përfaqësojnë njerëz, por edhe lloje të tjera nyjesh, si kompani apo publikime.

Kjo do të thotë se algoritmi mund të marrë informacion si nga lidhjet tona personale, ashtu edhe nga përmbajtjet me të cilat kemi ndërvepruar apo i kemi pëlqyer.

Nëse, për shembull, dikush ka motrën tuaj në lidhje dhe ka pëlqyer postime që pëlqehen edhe nga kunati juaj, algoritmi mund të kuptojë se ju jo vetëm që ndani interesa të ngjashme, por edhe që mund të jeni të lidhur në mënyrë personale.

Algoritmet e rrjeteve sociale në biomjekësi 

Zhvillimi i një ilaçi nga e para është tepër i kushtueshëm dhe kërkon shumë kohë. Procesi i zbulimit shpesh i ngjan një hinke: në fillim analizohen të gjithë kandidatët e mundshëm dhe, pasi ngushtohen përmes fazave të ndryshme të kërkimit, vetëm një kalon për në provat klinike. Ky ilaç më pas (në rastin më të mirë) bëhet i disponueshëm për përdorim tek publiku i gjerë.

Edhe pse është i domosdoshëm, ky proces i ndërlikuar ka bërë që rishfrytëzimi i ilaçeve ekzistuese të bëhet gjithnjë e më i zakonshëm në dekadat e fundit. Qëllimi i këtij procesi nuk është të krijohen ilaçe të reja, por të gjenden përdorime të reja për ato që tashmë ekzistojnë.

Për të trajtuar një sëmundje, ne zakonisht fokusohemi në synimin e proteinave që e shkaktojnë atë. Ekzistojnë baza të dhënash publike dhe të dokumentuara mirë që përmbajnë informacion për cilat proteina synon secili ilaç, dhe këto baza të dhënash janë zgjeruar shumë në vitet e fundit.

Një nga bazat e të dhënave më të përdorura, DrugBank, ka kaluar nga 841 ilaçe të miratuara në versionin e parë të vitit 2006, në 2751 në përditësimin më të fundit të vitit 2024. Kjo rritje e të dhënave e bën të mundur përdorimin e modeleve më të ndërlikuara.

Me këtë volum të dhënash, mund të krijojmë një rrjet grafik ku nyjet janë ilaçet dhe proteinat, ndërsa lidhjet janë ndërveprimet midis tyre, siç regjistrohen në bazat e të dhënave. Pasi të kemi këtë rrjet, mund të aplikojmë algoritme të ngjashme me ato që përdoren në rrjetet sociale: për çdo ilaç, shtojmë informacion biokimik për proteinat me të cilat ai ndërvepron, përmes lidhjeve të njohura.

Duke përdorur këtë informacion, modeli më pas mund të na japë probabilitetin e një ndërveprimi ilaç–proteinë që më parë nuk e kishim të dokumentuar në bazë të dhënash, pasi algoritmet janë në gjendje të analizojnë në mënyrë efikase volume të mëdha informacioni. Këto ndërveprime më pas mund të verifikohen në kushte laboratorike, duke kursyer kohë dhe para nga procesi i gjatë i zbulimit.

Kërkimi ynë

Në laboratorin e Biologjisë Kompjuterike dhe Gjenomikës Translacionale në Universitetin e Navarrës, ne kemi ndjekur këtë ide për të zhvilluar GeNNius, një model që synon të ndërtojë një rrjet ndërmjet ilaçeve dhe proteinave. Zbatimi i tij tashmë ka përmirësuar modelet ekzistuese, veçanërisht në aspektin e kohës së përpunimit: për vetëm një minutë mund të vlerësojmë rreth 23,000 ndërveprime.

Edhe pse modeli ka aftësi të mira parashikuese, ende ka vend për përmirësim. Për shembull, sfida lindin kur analizohen ndërveprime të mundshme me molekula që nuk janë pjesë e rrjetit, ose për të cilat kemi shumë pak të dhëna origjinale. Edhe pse teknikisht është e mundur të gjenerohet një rezultat, modeli shpesh jep parashikime me besueshmëri të ulët në këto raste.

Duke kapërcyer këto pengesa dhe me kërkime të mëtejshme, këto modele mund të evoluojnë në të ardhmen në sisteme që japin rekomandime të personalizuara për çdo pacient. / The Conversation - Syri.net