Kunstig intelligens finder sygdomsrelaterede gener

Et kunstigt neuralt netværk kan afsløre mønstre i enorme mængder af genekspressionsdata og opdage grupper af sygdomsrelaterede gener. Det viser en ny undersøgelse ledet af forskere ved Linköpings Universitet. udgivet i Naturkommunikation . Forskerne håber, at metoden på sigt kan anvendes inden for præcisionsmedicin og individualiseret behandling.

Det er almindeligt, når du bruger sociale medier, at platformen foreslår personer, som du måske vil tilføje som venner. Forslaget er baseret på, at du og den anden person har fælles kontakter, hvilket indikerer, at I måske kender hinanden. På lignende måde, forskere laver kort over biologiske netværk baseret på, hvordan forskellige proteiner eller gener interagerer med hinanden. Forskerne bag en ny undersøgelse har brugt kunstig intelligens, AI, at undersøge om det er muligt at opdage biologiske netværk ved hjælp af deep learning, hvor enheder kendt som "kunstige neurale netværk" trænes af eksperimentelle data. Da kunstige neurale netværk er fremragende til at lære at finde mønstre i enorme mængder af komplekse data, de bruges i applikationer som billedgenkendelse. Imidlertid, denne maskinlæringsmetode er indtil nu sjældent blevet brugt i biologisk forskning.

"Vi har for første gang brugt deep learning til at finde sygdomsrelaterede gener. Dette er en meget kraftfuld metode til analyse af enorme mængder biologisk information, eller Big Data, " siger Sanjiv Dwivedi, postdoc ved Institut for Fysik, Kemi og biologi (IFM) ved Linköpings Universitet.

Forskerne brugte en stor database med information om udtryksmønstrene for 20, 000 gener i et stort antal mennesker. Oplysningerne var "usorterede, "i den forstand, at forskerne ikke gav det kunstige neurale netværk information om, hvilke genekspressionsmønstre, der var fra mennesker med sygdomme, og som var fra raske mennesker. AI-modellen blev derefter trænet til at finde mønstre for genekspression.

En af udfordringerne ved machine learning er, at det ikke er muligt at se præcis, hvordan et kunstigt neuralt netværk løser en opgave. AI beskrives nogle gange som en "sort boks" - vi ser kun den information, vi lægger i boksen, og det resultat, den producerer. Vi kan ikke se trinene imellem. Kunstige neurale netværk består af flere lag, hvor informationer matematisk behandles. Netværket omfatter et inputlag og et outputlag, der leverer resultatet af den informationsbehandling, som systemet udfører. Mellem disse to lag er der flere skjulte lag, hvori der foretages beregninger. Da forskerne havde trænet det kunstige neurale netværk, de spekulerede på, om det var muligt at løfte låget på den sorte boks, på en måde, og forstå, hvordan det fungerer. Er udformningen af ​​det neurale netværk og de velkendte biologiske netværk ens?

"Da vi analyserede vores neurale netværk, det viste sig, at det første skjulte lag i høj grad repræsenterede interaktioner mellem forskellige proteiner. Dybere i modellen, i modsætning, på tredje niveau, vi fandt grupper af forskellige celletyper. Det er ekstremt interessant, at denne type biologisk relevant gruppering automatisk produceres, i betragtning af at vores netværk er startet fra uklassificerede genekspressionsdata, " siger Mika Gustafsson, lektor ved IFM og leder af studiet.

Forskerne undersøgte derefter, om deres genekspressionsmodel kunne bruges til at bestemme, hvilke genekspressionsmønstre der er forbundet med sygdom, og hvilke der er normale. De bekræftede, at modellen finder relevante mønstre, der stemmer godt overens med biologiske mekanismer i kroppen. Da modellen er blevet trænet ved hjælp af uklassificerede data, det er muligt, at det kunstige neurale netværk har fundet helt nye mønstre. Forskerne planlægger nu at undersøge, om sådanne, tidligere ukendte mønstre, er relevante fra et biologisk perspektiv.

"Vi tror på, at nøglen til fremskridt på området er at forstå det neurale netværk. Dette kan lære os nye ting om biologiske sammenhænge, såsom sygdomme, hvor mange faktorer interagerer. Og vi mener, at vores metode giver modeller, der er nemmere at generalisere, og som kan bruges til mange forskellige typer af biologisk information, " siger Mika Gustafsson.

Mika Gustafsson håber, at tæt samarbejde med medicinske forskere vil gøre ham i stand til at anvende metoden udviklet i undersøgelsen i præcisionsmedicin. Det kan være muligt, for eksempel, at bestemme, hvilke grupper af patienter der skal modtage en bestemt type medicin, eller identificere de patienter, der er hårdest ramt.