Diep leer wat gebruik word om siekteverwante gene te vind

A nuwe studie gelei deur navorsers aan die Universiteit van Linköping demonstreer hoe 'n kunsmatige neurale netwerk (ANN) groot hoeveelhede geenuitdrukkingsdata kan openbaar, en dit kan lei tot die ontdekking van groepe siekteverwante gene. Die studie is gepubliseer in Nature Kommunikasie, en die wetenskaplikes wil hê dat die metode binne presisiegeneeskunde en geïndividualiseerde behandeling toegepas moet word. 

Wetenskaplikes ontwikkel tans kaarte van biologiese netwerke wat gebaseer is op hoe verskillende proteïene of gene met mekaar in wisselwerking tree. Die nuwe studie behels die gebruik van kunsmatige intelligensie (KI) om uit te vind of biologiese netwerke deur die gebruik van diep leer ontdek kan word. Kunsmatige neurale netwerke, wat deur eksperimentele data opgelei word in die proses van diep leer, is in staat om patrone te vind binne massiewe hoeveelhede komplekse data. As gevolg hiervan word hulle dikwels in toepassings soos beeldherkenning gebruik. Selfs met sy oënskynlik enorme potensiaal, is die gebruik van hierdie masjienleermetode beperk binne biologiese navorsing. 

Sanjiv Dwivedi is 'n nadoktorale doktor in die Departement Fisika, Chemie en Biologie (IFM) aan die Universiteit van Linköping.

“Ons het vir die eerste keer diep leer gebruik om siekteverwante gene te vind. Dit is 'n baie kragtige metode in die ontleding van groot hoeveelhede biologiese inligting, of 'groot data',” sê Dwivedi.

Die wetenskaplikes het staatgemaak op 'n groot databasis met inligting oor die uitdrukkingspatrone van 20,000 XNUMX gene in 'n groot aantal mense. Die kunsmatige neurale netwerk is nie vertel watter geenuitdrukkingspatrone van mense met siektes was, of watter van gesonde individue was nie. Die KI-model is toe opgelei om patrone van geenuitdrukking te vind.

Een van die raaisels rondom masjienleer is dat dit tans onmoontlik is om te sien hoe 'n kunsmatige neurale netwerk tot sy finale resultaat kom. Dit is slegs moontlik om die inligting wat ingaan en die inligting wat geproduseer word te sien, maar alles wat tussenin gebeur bestaan ​​uit verskeie lae wiskundig verwerkte inligting. Hierdie innerlike werking van 'n kunsmatige neurale netwerk kan nog nie ontsyfer word nie. Die wetenskaplikes wou weet of daar enige ooreenkomste tussen die ontwerpe van die neurale netwerk en die bekende biologiese netwerke is. 

Mike Gustafsson is 'n senior lektor by IFM en lei die studie. 

“Toe ons ons neurale netwerk ontleed het, het dit geblyk dat die eerste versteekte laag in ’n groot mate interaksies tussen verskeie proteïene verteenwoordig het. Dieper in die model, daarenteen, op die derde vlak, het ons groepe van verskillende seltipes gevind. Dit is uiters interessant dat hierdie tipe biologies relevante groepering outomaties geproduseer word, aangesien ons netwerk van ongeklassifiseerde geenuitdrukkingsdata begin het,” sê Gustafsson.

Die wetenskaplikes wou toe weet of hul model van geenuitdrukking gebruik kan word om te bepaal watter geenuitdrukkingspatrone met siekte geassosieer word en watter normaal is. Hulle kon bevestig dat die model relatiewe patrone kan ontdek wat ooreenstem met biologiese meganismes in die liggaam. Nog 'n ontdekking was dat die kunsmatige neurale netwerk moontlik splinternuwe patrone kan ontdek aangesien dit met ongeklassifiseerde data opgelei is. Die navorsers sal nou voorheen onbekende patrone ondersoek en of dit relevant is binne biologie. 

“Ons glo dat die sleutel tot vordering in die veld is om die neurale netwerk te verstaan. Dit kan ons nuwe dinge leer oor biologiese kontekste, soos siektes waarin baie faktore interaksie het. En ons glo dat ons metode modelle gee wat makliker is om te veralgemeen en wat vir baie verskillende tipes biologiese inligting gebruik kan word,” sê Gustafsson.

Deur samewerking met mediese navorsers hoop Gustafsson om die metode in presisiegeneeskunde toe te pas. Dit kan help om te bepaal watter spesifieke tipe medisyne pasiënte moet ontvang.

Die studie is finansieel ondersteun deur die Sweedse Stigting vir Strategiese Navorsing (SSF) en die Sweedse Navorsingsraad.