A evolução da rede cooperativa generativa: Um salto na investigação sobre a longevidade

Cara Comunidade Rejuve,

Saudações calorosas à nossa dedicada Rede Rejuve! Hoje, temos o prazer de compartilhar uma atualização sobre o progresso de nossa Rede Cooperativa Generativa, uma iniciativa inovadora que promete redefinir o cenário da pesquisa sobre longevidade.

A génese da Rede de Cooperativas Generativas

A nossa viagem começou com a identificação de quatro modelos iniciais de Redes Neuronais Generativas, destinados a serem integrados na nossa rede alargada. Embora estas selecções sejam preliminares e sujeitas a aperfeiçoamento, representam a vanguarda da investigação da longevidade orientada para a IA. Os modelos em foco são:

• CPGTransformer: processa dados de metilação para estimar a idade fisiológica e o ritmo de envelhecimento. Estão a ser efectuados aperfeiçoamentos utilizando um grande conjunto de dados de 1300 sítios CPG.
• A partir do trabalho realizado no CPGTransformer, estão a ser desenvolvidas Redes Neuronais personalizadas treinadas em múltiplos relógios de envelhecimento para incorporação no GCN.
• Transformador scGPT: O Single Cell Generative Pretrained Transformer (scGPT) analisa células e genes individuais utilizando dados multiómicos. O trabalho em curso centra-se no aperfeiçoamento dos mapeamentos de genes.
• MethylNet e Beta VAE são modelos especializados que utilizam dados sanguíneos para prever a idade.

Nos bastidores, estão a ser feitos progressos substanciais no desenvolvimento dos “modelos semente” que constituirão a base do GCN, o que permite que modelos generativos únicos se auto-organizem e cooperem entre si para alcançar os resultados desejados.

Novos horizontes na estimativa de idade

Uma aplicação significativa da nossa rede reside na funcionalidade de estimativa de idade da aplicação Longevity. Os testes preliminares efectuados com os VAEs foram promissores, com um erro médio absoluto (MAE) de 3 a 3,1 anos. Isto sugere que os nossos algoritmos de previsão de idade podem estimar a idade com uma precisão impressionante num intervalo de 3 anos. Para contextualizar, também estabelecemos linhas de base de redes elásticas, como os reverenciados relógios Horvath e Hannum, para servir de referência.

CPGTransformer: Traçando o caminho a seguir

O CPGTransformer, concebido para estabelecer relações causais, ofereceu informações sobre a idade fisiológica através da utilização da técnica de regressão elástica Horvath. Uma caraterística que se destaca é a sua capacidade de aceder à velocidade do envelhecimento a partir de dados sanguíneos, tirando partido de 1300 locais de metilação. O modelo utiliza uma grande quantidade de dados, incluindo dados proteómicos do sangue e o conjunto de dados TruDiagnostic, para fornecer informações sobre a idade real, a idade prevista e a velocidade prevista do envelhecimento.

Com base no trabalho realizado com o CPGTransformer, a equipa identificou oportunidades para melhorar este método e está atualmente a trabalhar na formação de redes neurais personalizadas em vários relógios de envelhecimento para combinar o seu poder analítico e melhorar a precisão da previsão da idade.

A maravilha do scGPT: Transformador pré-treinado generativo de célula única

Os modelos generativos pré-treinados, especialmente os transformadores, revolucionaram campos como o processamento de linguagem natural. Traçando paralelos entre palavras em textos e genes em células, o scGPT, um transformador generativo pré-treinado para mais de 10 milhões de células, é uma prova dessa evolução. O scGPT decifra conhecimentos biológicos complexos sobre genes e células e pode ser ajustado para uma miríade de tarefas.

A nossa equipa de ciência de dados e IA está a afinar meticulosamente o scGPT, mergulhando profundamente nas posições de informação dos cromossomas, na expressão da metilação e muito mais. A integração de conjuntos de dados heterogéneos é vital para a rede. Os esforços actuais centram-se na incorporação de dados ómicos, como a metilação, a metabolómica e os biomarcadores proteómicos de parceiros, o que aumentará a precisão do modelo e criará uma ferramenta única e poderosa.

Incorporação de dados multiómicos

A nossa colaboração com a TruDiagnostic tem sido fundamental na integração de dados ómicos, abrangendo dados de metilação, metabolómicos e proteómicos, nos nossos modelos. Esta sinergia está preparada para aumentar a precisão e a profundidade das nossas previsões.

Modelos básicos e mais além

Para além dos modelos acima mencionados, temos o prazer de anunciar que a nossa rede também terá acesso a modelos adicionais, incluindo modelos de linguagem de grande dimensão, que serão incorporados no conjunto de agentes.

Além disso, estamos a desenvolver os nossos próprios modelos de base, que prometem trazer novas perspectivas à nossa rede e ajudar a desvendar os mistérios do envelhecimento.

Investimentos em infra-estruturas

Para suportar os exigentes cálculos envolvidos, o GCN actualizou a sua infraestrutura de servidores, obtendo o poder de processamento paralelo necessário à medida que a rede se expande.

Iniciativas em curso

As iniciativas actuais visam desenvolver ainda mais a GCN:

• Colaboração com parceiros como a TruDiagnostic para aceder a conjuntos de dados.
• Discussões com potenciais parceiros para aumentar as capacidades.
• Testes rigorosos em dimensões como precisão, integração, segurança e desempenho do modelo.
• Exploração de modelos adicionais que podem ser integrados na estrutura.

O caminho a seguir:

O nosso plano global é multifacetado:

1 — Aperfeiçoar e desenvolver os modelos de base.
2 — Identificar os indivíduos que estão a envelhecer mais depressa ou mais devagar.
3 — Incorporar modelos adicionais adequados no conjunto da GCN.
4 — Integração do GCN na aplicação Longevity

Considerações finais:

O GCN representa um progresso significativo no aproveitamento da IA para a biogerontologia. Os modelos criam uma base para analisar o envelhecimento com uma granularidade crescente. Isto pode esclarecer questões fundamentais como a razão pela qual alguns indivíduos envelhecem mais rapidamente do que outros. O sistema também permite uma melhoria contínua à medida que surgem novos dados.

Em última análise, o conhecimento gerado pela GCN ajudará a avançar na missão mais alargada de desenvolver intervenções para prolongar o tempo de vida saudável dos seres humanos. A rede continua a ser um trabalho em curso, mas demonstra o potencial crescente da IA para descodificar e influenciar a biologia do envelhecimento.

Em conclusão, a Generative Cooperative Network representa um passo monumental na investigação sobre a longevidade. Com o seu apoio contínuo, estamos confiantes em alargar os limites do que é possível no domínio da investigação sobre a longevidade. Fique atento a mais actualizações interessantes!

Junte-se à Revolução Rejuve!

Rejuve.AI é uma rede de pesquisa de longevidade descentralizada e orientada por IA que permite que pessoas de todo o mundo acompanhem seus dados de saúde, recebam informações valiosas, contribuam para pesquisas de ponta sobre longevidade e ganhem recompensas.

Redes Sociais

Telegram Oficial Rejuve
Telagram Não Oficial Brasil / Portugal
Twitter Oficial
Twitter Não Oficial Rejuve Brasil
Youtube Oficial