Ερευνητές του AI Αναπτύσσουν Εξηγητή Νευρωνικό Δίκτυο για την Ανακάλυψη Γενωμικών Канόνων

Μια ομάδα ερευνητών έχει πρόσφατα δημιουργήσει ένα εξηγητέο νευρωνικό δίκτυο που έχει ως στόχο να βοηθήσει τους βιολόγους να ανακαλύψουν τους μυστηριώδεις κανόνες που διέπουν τον κώδικα του ανθρώπινου γονιδιώματος. Η ερευνητική ομάδα εκπαίδευσε ένα νευρωνικό δίκτυο σε χάρτες αλληλεπιδράσεων πρωτεΐνης-ΔΝΑ, επιτρέποντας στο AI να ανακαλύψει πώς bestimmμένες ακολουθίες ΔΝΑ调节ertain γονίδια. Οι ερευνητές επίσης έκαναν το μοντέλο εξηγητέο, ώστε να μπορούν να αναλύσουν τα συμπεράσματα του μοντέλου και να καθορίσουν πώς να ακολουθήσουν τα μοτίβα ακολουθιών για να điều chỉnhουν τα γονίδια.

Ένα από τα μεγάλα μυστήρια της βιολογίας είναι ο κανονισμός του γονιδιώματος. Είναι γνωστό ότι το ΔΝΑ αποτελείται από τέσσερις νουκλεοτιδικές βάσεις – Αδενίνη, Γουανίνη, Θυμίνη και Κυτοσίνη – αλλά δεν είναι γνωστό πώς αυτές οι βάσεις χρησιμοποιούνται για να điều chỉnhουν την δραστηριότητα. Οι τέσσερις νουκλεοτιδικές βάσεις κωδικοποιούν τις οδηγίες για την κατασκευή πρωτεϊνών, αλλά επίσης ελέγχουν πού και πώς εκφράζονται τα γονίδια, (πώς παράγουν πρωτεΐνες σε ένα οργανισμό). Đặcικές συνδυασμοί και διατάξεις των βάσεων δημιουργούν τμήματα κανονιστικού κώδικα που δένουν σε τμήματα ΔΝΑ, και δεν είναι γνωστό ποιοι είναι αυτοί οι συνδυασμοί.

Μια διεπιστημονική ομάδα υπολογιστών και βιολόγων ξεκίνησε να λύσει αυτό το μυστήριο δημιουργώντας ένα εξηγητέο νευρωνικό δίκτυο. Η ερευνητική ομάδα δημιούργησε ένα νευρωνικό δίκτυο που ονόμασαν “Δικτύο Ζευγών Βάσεων” ή “BPNet”. Το μοντέλο που χρησιμοποιείται από το BPNet για να παράγει προβλέψεις μπορεί να ερμηνευτεί για να αναγνωρίσει κανονιστικούς κώδικες. Αυτό επιτεύχθηκε με την πρόβλεψη του πώς οι πρωτεΐνες που ονομάζονται παράγοντες μεταγραφής δένουν με ακολουθίες ΔΝΑ.

Οι ερευνητές πραγματοποίησαν eine ποικιλία πειραμάτων και έκαναν綜合적인 υπολογιστικό μοντελισμό για να καθορίσουν πώς οι παράγοντες μεταγραφής και το ΔΝΑ ήταν συνδεδεμένα, αναπτύσσοντας einen λεπτομερή χάρτη μέχρι το επίπεδο των ατομικών νουκλεοτιδικών βάσεων. Οι λεπτομερείς αναπαραστάσεις των παραγόντων μεταγραφής-ΔΝΑ επέτρεψαν στους ερευνητές να δημιουργήσουν εργαλεία που μπορούν να ερμηνεύσουν τόσο τις κρίσιμες ακολουθίες ΔΝΑ όσο και τους κανόνες που λειτουργούν ως κανονιστικός κώδικας.

Η Julia Zeitlinger, PhD βιολόγος και υπολογιστικός ερευνητής στο Πανεπιστήμιο του Στάνφορντ, εξήγησε ότι τα αποτελέσματα που συλλέχθηκαν από το εξηγητέο νευρωνικό δίκτυο ταίριαζαν με τα υπάρχοντα πειραματικά αποτελέσματα, αλλά επίσης περιείχαν εκπληκτικές εντυπώσεις για τον κανονιστικό κώδικα του γονιδιώματος. Για παράδειγμα, το μοντέλο AI επέτρεψε στην ερευνητική ομάδα να ανακαλύψει έναν κανόνα που επηρεάζει τον τρόπο με τον οποίο λειτουργεί ένας παράγοντας μεταγραφής που ονομάζεται Nanog. Όταν υπάρχουν πολλαπλά αντίγραφα του μοτίβου Nanog στην ίδια πλευρά ενός διπλού ελικοειδούς ΔΝΑ, δένουν συνεργικά στο ΔΝΑ. Όπως εξήγησε η Zeitlinger μέσω του ScienceDaily:

“Υπήρχε μια μακρά σειρά πειραματικών αποδεικτικών στοιχείων ότι τέτοιος περιοδικότητα του μοτίβου đôi的时候 υπάρχει στον κανονιστικό κώδικα. Ωστόσο, οι ακριβείς περιστάσεις ήταν δυσκολοδιάλυτες, και ο Nanog δεν ήταν ύποπτος. Η ανακάλυψη ότι ο Nanog έχει τέτοιο μοτίβο και η觀察 επιπλέον λεπτομερειών των αλληλεπιδράσεών του, ήταν εκπληκτική επειδή δεν ψάχναμε συγκεκριμένα για αυτό το μοτίβο.”

Η πρόσφατη έρευνα είναι μακράν η πρώτη μελέτη που χρησιμοποιεί AI για την ανάλυση του ΔΝΑ, αλλά είναι πιθανό η πρώτη μελέτη που ανοίγει την “μαύρη κούκλα” του AI για να διακρίνει ποιες ακολουθίες ΔΝΑ điều chỉnhουν τα γονίδια στο γονιδίωμα. Τα νευρωνικά δίκτυα excelling στην ανακάλυψη μοτίβων μέσα στα δεδομένα, αλλά οι εντυπώσεις τους είναι δύσκολο να εξαχθούν από τα μοντέλα που δημιουργούν. Δημιουργώντας μια μέθοδο ανάλυσης των χαρακτηριστικών που το μοντέλο θεωρεί σημαντικά για την πρόβλεψη των γονιδιακών κανόνων, οι ερευνητές θα μπορούσαν να εκπαιδεύσουν πιο νюανσировμένα μοντέλα που οδηγούν σε νέες ανακαλύψεις.

Η αρχιτεκτονική του BPNet είναι παρόμοια με δίκτυα που χρησιμοποιούνται για την αναγνώριση προσώπων σε εικόνες. Όταν τα συστήματα υπολογιστικής όρασης αναγνωρίζουν πρόσωπα σε εικόνες, το δίκτυο ξεκινά με την ανίχνευση των ακμών και στη συνέχεια τις συνδέει. Η διαφορά είναι ότι το BPNet μαθαίνει από ακολουθίες ΔΝΑ, ανιχνεύοντας μοτίβα ακολουθιών και συνδέοντάς τα σε υψηλότερους κανόνες που μπορούν να χρησιμοποιηθούν για την πρόβλεψη της δέσμης δεδομένων σε υψηλή ανάλυση.

Μετά τη λήξη του μοντέλου σε ένα υψηλό όριο ακρίβειας, τα μοτίβα που έμαθε το μοντέλο ανατρέχονται στις αρχικές εισαγωγικές ακολουθίες, αποκαλύπτοντας τα μοτίβα ακολουθιών. Τέλος, το μοντέλο παρέχεται με συστηματικές ερωτήσεις ακολουθιών ΔΝΑ, επιτρέποντας στους ερευνητές να κατανοήσουν τους κανόνες με τους οποίους τα μοτίβα ακολουθιών συνδυάζονται και λειτουργούν. Σύμφωνα με την Zeitlinger, το μοντέλο είναι ικανό να προβλέψει πολλές περισσότερες ακολουθίες από ό,τι οι ερευνητές θα μπορούσαν να ελπίσουν να δοκιμάσουν με παραδοσιακό, πειραματικό τρόπο. Επιπλέον, η πρόβλεψη του αποτελέσματος των πειραματικών ανωμαλιών επέτρεψε στους ερευνητές να αναγνωρίσουν ποιες πειραματικές μεθόδοι ήταν οι πιο ενημερωτικές κατά την επικύρωση του μοντέλου.