باحثو الذكاء الاصطناعي يطورون شبكة عصبونية قابلة للشرح لاكتشاف القواعد الجينومية

قام فريق من الباحثين مؤخرًا بإنشاء شبكة عصبونية قابلة للشرح nhằm مساعدة علماء الأحياء على كشف القواعد الغامضة التي تحكم رمز الجينوم البشري. قام فريق البحث بتدريب شبكة عصبونية على خرائط التفاعلات بين البروتين والحمض النووي، مما مكن الذكاء الاصطناعي من اكتشاف كيفية调節 تسلسلات الحمض النووي معينة للجينات. كما جعل الباحثون النموذج قابلًا للشرح، بحيث يمكنهم تحليل استنتاجات النموذج وتحديد كيفية تسلسل النيوكليوتيدات调節 الجينات.

من أكبر الألغاز في علم الأحياء هو رمز التنظيم الجيني. من المعروف أن الحمض النووي يتكون من أربعة قواعد نيوكليوتيدية – الأدينين، الغوانين، الثايمين، والسيستوزين – ولكن لا يزال غير معروف كيف يتم استخدام هذه الأزواج القاعدية لتنظيم النشاط. تقوم القواعد النيوكليوتيدية الأربعة بتشفير الإرشادات لبناء البروتينات، كما تتحكم في مكان وطريقة تعبير الجينات (كيفية إنتاج البروتينات في الكائن الحي). تُشكل مجموعات وأحجام معينة من القواعد أقسام من رمز التنظيم، والذي يرتبط بقطاعات من الحمض النووي، ولا يزال غير معروف ما هي هذه المجموعات.

قام فريق بحثي متعدد التخصصات من علماء الحاسوب وعلماء الأحياء بمحاولة حل هذه اللغز من خلال إنشاء شبكة عصبونية قابلة للشرح. قام فريق البحث بإنشاء شبكة عصبونية أطلقوا عليها اسم “شبكة الأزواج القاعدية” أو “BPNet”. يمكن تفسير نموذج التنبؤ المستخدم بواسطة BPNet لتحديد رمز التنظيم. تم تحقيق ذلك من خلال التنبؤ بكيفية ربط البروتينات التي تسمى عوامل النسخ بالتسلسلات الحمض النووية.

أجرى الباحثون مجموعة متنوعة من التجارب ونمذجة حاسوبية شاملة لتحديد كيفية ربط عوامل النسخ والحمض النووي معًا، وتم تطوير خريطة مفصلة حتى مستوى القواعد النيوكليوتيدية الفردية. سمحت تمثيلات عامل النسخ والحمض النووي المفصلة للباحثين بإنشاء أدوات قادرة على تفسير أنماط التسلسلات الحمض النووية الحرجة وقواعد التنظيم.

أوضحت جوليا زيتلينجر، دكتوراه في علم الأحياء وعالمة حاسوب في جامعة ستانفورد، أن النتائج التي تم جمعها من الشبكة العصبونية القابلة للشرح تتماشى مع النتائج التجريبية الحالية، ولكنها تحتوي أيضًا على رؤى مفاجئة حول رمز التنظيم الجيني. على سبيل المثال، سمح نموذج الذكاء الاصطناعي للفريق البحثي باكتشاف قاعدة تؤثر على كيفية عمل عامل النسخ الذي يسمى Nanog. عندما تكون هناك عدة مثيلات من نمط Nanog على نفس جانب حلزون الحمض النووي المزدوج، ترتبط بشكل تعاوني مع الحمض النووي. كما أوضحت زيتلينجر من خلال ساينس ديلي

“لقد كان هناك دليل تجريبي طويل على وجود فترات زمنية لمثل هذه الأنماط في رمز التنظيم أحيانًا. ومع ذلك، كانت الظروف المحددة غامضة، ولم يكن Nanog مشتبهاً به. اكتشاف أن Nanog له نمط من هذا القبيل، ورؤية تفاصيل إضافية من التفاعلات، كان مفاجئًا لأننا لم نبحث بشكل محدد عن هذا النمط.”

المقال البحثي الأخير بعيد عن أول دراسة تستخدم الذكاء الاصطناعي لتحليل الحمض النووي، ولكن من المحتمل أن تكون أول دراسة تفتح “الصندوق الأسود” للذكاء الاصطناعي لاكتشاف تسلسلات الحمض النووي التي调節 الجينات في الجينوم. تتميز الشبكات العصبونية باكتشاف الأنماط في البيانات، ولكن من الصعب استخراج رؤى من النماذج التي تم إنشاؤها. من خلال إنشاء طريقة لتحليل الميزات التي يعتبرها النموذج مهمة لتنبؤ قواعد الجينوم، يمكن للباحثين تدريب نماذج أكثر دقة تؤدي إلى اكتشافات جديدة.

هيكل BPNet مشابه للشبكات المستخدمة لتعرف الوجوه في الصور. عندما تعرف أنظمة الرؤية الحاسوبية الوجوه في الصور، تبدأ الشبكة باكتشاف الحواف ثم تجمع هذه الحواف معًا. الفرق هو أن BPNet يتعلم من تسلسلات الحمض النووي، واكتشاف أنماط التسلسل ودمج هذه الأنماط في قواعد من الدرجة العالية التي يمكن استخدامها لتنبؤ بربط البيانات بدقة قاعدية.

بعد أن يصل النموذج إلى عتبة دقة عالية، يتم تتبع الأنماط التي تعلمها النموذج إلى تسلسلات الإدخال الأصلية، مما يكشف عن أنماط التسلسل. أخيرًا، يتم تزويد النموذج باستفسارات تسلسل الحمض النووي المنهجية، مما يسمح للباحثين بفهم القواعد التي تجمع بها أنماط التسلسل وتعمل. وفقًا لزيتلينجر، فإن النموذج قادر على التنبؤ بتسلسلات أكثر مما يمكن للباحثين أن يأملوا في اختبارها بطريقة تجريبية تقليدية. بالإضافة إلى ذلك، تتيح التنبؤ بنتيجة الشذوذات التجريبية للباحثين تحديد أي تجارب كانت أكثر إفادة عند التحقق من صحة النموذج.