A gyorsuló ütemben felhalmozódó, rendkívül sokrétű, heterogén, nagyszámú orvosbiológiai adat és bővülő tudás a személyre szabott medicina megvalósulásának és kiteljesedésének záloga, de egyben jelenleg szűk keresztmetszete is. Klasszikus klinikai célok, gyógyszerkutatást támogató döntések az adat- és tudásbázisok integrációját, rendszerszintű elemzésüket teszik szükségessé, amelyek új matematikai és informatikai megközelítéseket is igényelnek. A biomarkerek világában e feladatok egy biomarkerhármashoz kapcsolódnak, nevezetesen a végponti, a célponti és diagnosztikai biomarkerekhez, amelyek komplex hálózatokat alkotnak. Leírásukhoz a szerzők bemutatják a valószínűségi gráfos modelleket, amelyek a biomarkerek közvetlen kapcsolatainak felderítését és szemléletes megjelenítését is lehetővé teszik. Ismertetik továbbá döntési hálózattá történő kiterjesztésüket, amely a biomarkerek mind strukturális, mind kvantitatív jellegű optimalizálását is biztosítják a klinikai döntéshozatalban való alkalmazáshoz. Orv. Hetil., 2015, 156(51), 2077–2081.
Russell, S., Norvig, P.: Artificial intelligence. [Mesterséges intelligencia.] Panem Könyvkiadó, Budapest, 2005. [Hungarian translation]
Baker, M.: In biomarkers we trust? Nat. Biotechnol., 2005, 23(3), 297–304.
Buchen, L.: Missing the mark. Nature, 2011, 471(7339), 428–432.
Gewin, V.: Missing the mark. Nature, 2007, 449(7164), 770–771.
Dunkel, P., Chai, C. L., Sperlágh, B., et al.: Clinical utility of neuroprotective agents in neurodegenerative diseases: current status of drug development for Alzheimer’s, Parkinson’s and Huntington’s diseases, and amyotrophic lateral sclerosis. Expert Opin. Investig. Drugs, 2012, 21(9), 1267–1308.
Antal, P., Fannes, G., Timmerman, D., et al.: Using literature and data to learn Bayesian networks as clinical models of ovarian tumors. Artif. Intell. Med., 2004, 30(3), 257–281.
Moreau, Y., Antal, P., Fannes, G., et al.: Probabilistic graphical models for computational biomedicine. Methods Inf. Med., 2003, 42(2), 161–168.
Antal, P., Fannes, G., Timmerman, D., et al.: Bayesian applications of belief networks and multilayer perceptrons for ovarian tumor classification with rejection. Artif. Intell. Med., 2003, 29(1–2), 39–60.
King, R. D., Rowland, J., Oliver, S. G., et al.: The automation of science. Science, 2009, 324(5923), 85–89.