एआई शोधकर्ता जीनोमिक नियमों की खोज के लिए व्याख्यात्मक न्यूरल नेटवर्क विकसित करते हैं

एक शोध टीम ने हाल ही में एक व्याख्यात्मक न्यूरल नेटवर्क बनाया है जिसका उद्देश्य जीवविज्ञानियों को मानव जीनोम के कोड के रहस्यमय नियमों को उजागर करने में मदद करना है। शोध टीम ने प्रोटीन-डीएनए इंटरैक्शन के मानचित्रों पर एक न्यूरल नेटवर्क को प्रशिक्षित किया, जिससे एआई को यह पता लगाने में सक्षम किया गया कि कertain डीएनए अनुक्रम कertain जीनों को कैसे नियंत्रित करते हैं। शोधकर्ताओं ने मॉडल को व्याख्यात्मक भी बनाया, ताकि वे मॉडल के निष्कर्षों का विश्लेषण कर सकें और यह निर्धारित कर सकें कि कैसे अनुक्रम मोटिफ जीनों को नियंत्रित करते हैं।

जीवविज्ञान में एक बड़ा रहस्य जीनोम का नियामक कोड है। यह ज्ञात है कि डीएनए चार न्यूक्लियोटाइड बेस – एडेनिन, गुआनिन, थाइमिन और साइटोसिन से बना है, लेकिन यह ज्ञात नहीं है कि ये बेस जोड़े कैसे गतिविधि को नियंत्रित करते हैं। चार न्यूक्लियोटाइड बेस प्रोटीन बनाने के निर्देशों को एनकोड करते हैं, लेकिन वे यह भी नियंत्रित करते हैं कि जीन कहां और कैसे व्यक्त किए जाते हैं (वे एक जीव में प्रोटीन कैसे बनाते हैं)। विशिष्ट संयोजन और व्यवस्था के बेस अनुभाग बनाते हैं जो डीएनए के खंडों से बंधते हैं, और यह ज्ञात नहीं है कि ये संयोजन क्या हैं।

एक अंतरविषयक टीम ने कंप्यूटर वैज्ञानिकों और जीवविज्ञानियों को इस रहस्य को हल करने के लिए एक व्याख्यात्मक न्यूरल नेटवर्क बनाने के लिए एक साथ मिलकर काम किया। शोध टीम ने एक न्यूरल नेटवर्क बनाया जिसे उन्होंने “बेस पेयर नेटवर्क” या “बीपीनेट” कहा। बीपीनेट द्वारा उपयोग किया गया मॉडल भविष्यवाणियां उत्पन्न करने के लिए व्याख्या की जा सकती है ताकि नियामक कोड की पहचान की जा सके। यह ट्रांसक्रिप्शन फैक्टर नामक प्रोटीन और डीएनए अनुक्रमों के बीच बंधन की भविष्यवाणी करके प्राप्त किया गया था।

शोधकर्ताओं ने विभिन्न प्रयोगों और व्यापक कंप्यूटर मॉडलिंग को यह निर्धारित करने के लिए किया कि ट्रांसक्रिप्शन फैक्टर और डीएनए कैसे एक साथ बंधे हुए थे, व्यक्तिगत न्यूक्लियोटाइड बेस के स्तर तक एक विस्तृत मानचित्र विकसित किया। विस्तृत ट्रांसक्रिप्शन फैक्टर-डीएनए प्रतिनिधित्व शोधकर्ताओं को ऐसे उपकरण बनाने में सक्षम बनाया जो महत्वपूर्ण डीएनए अनुक्रम पैटर्न और नियामक कोड के रूप में कार्य करने वाले नियमों की व्याख्या कर सकते हैं।

स्टैनफोर्ड विश्वविद्यालय में पीएचडी जीवविज्ञानी और गणनात्मक शोधकर्ता जूलिया ज़ेटलिंगर ने समझाया कि व्याख्यात्मक न्यूरल नेटवर्क से एकत्र किए गए परिणाम मौजूदा प्रयोगात्मक परिणामों के साथ मेल खाते हैं, लेकिन वे जीनोम के नियामक कोड में आश्चर्यजनक अंतर्दृष्टि भी प्रदान करते हैं। उदाहरण के लिए, एआई मॉडल ने शोध टीम को एक नियम की खोज करने की अनुमति दी जो यह प्रभावित करता है कि एक ट्रांसक्रिप्शन फैक्टर नैनोग कैसे काम करता है। जब एक डीएनए डबल हेलिक्स के एक ही पक्ष पर नैनोग मोटिफ के कई उदाहरण मौजूद होते हैं, तो वे डीएनए से सहकारी रूप से बंधते हैं। ज़ेटलिंगर ने साइंसडेली के माध्यम से समझाया:

“नियामक कोड में ऐसे मोटिफ की आवृत्ति कभी-कभी मौजूद होने के लिए एक लंबी प्रयोगात्मक साक्ष्य की प्रवृत्ति रही है। हालांकि, सटीक परिस्थितियां अस्पष्ट थीं, और नैनोग एक संदिग्ध नहीं था। यह देखना आश्चर्यजनक था कि नैनोग में ऐसा पैटर्न है, और इसके इंटरैक्शन के अतिरिक्त विवरण देखना, क्योंकि हम विशेष रूप से इस पैटर्न की तलाश में नहीं थे। “

हाल का शोध पत्र डीएनए का विश्लेषण करने के लिए एआई का उपयोग करने वाला पहला अध्ययन नहीं है, लेकिन यह जीनोम में जीनों को नियंत्रित करने वाले डीएनए अनुक्रमों को निर्धारित करने के लिए एआई के “ब्लैक बॉक्स” को खोलने वाला पहला अध्ययन है। न्यूरल नेटवर्क डेटा में पैटर्न खोजने में उत्कृष्ट हैं, लेकिन उनके द्वारा बनाए गए मॉडल से अंतर्दृष्टि निकालना मुश्किल है। मॉडल के निष्कर्षों को व्याख्या करने के लिए एक विधि बनाकर, शोधकर्ता अधिक सूक्ष्म मॉडल प्रशिक्षित कर सकते हैं जो नए खोजों की ओर ले जाते हैं।

बीपीनेट की वास्तुकला चित्रों में चेहरे को पहचानने के लिए उपयोग किए जाने वाले नेटवर्क के समान है। जब कंप्यूटर दृष्टि प्रणाली चित्रों में चेहरे को पहचानती है, तो नेटवर्क किनारों का पता लगाना शुरू कर देता है और फिर इन किनारों को एक साथ जोड़ता है। अंतर यह है कि बीपीनेट डीएनए अनुक्रमों से सीखता है, अनुक्रम मोटिफ का पता लगाता है और उन्हें उच्च-स्तरीय नियमों में जोड़ता है जो बेस-रिज़ॉल्यूशन पर डेटा के बंधन की भविष्यवाणी करने के लिए उपयोग किए जा सकते हैं।

एक बार मॉडल एक उच्च सटीकता की सीमा तक पहुंच जाने के बाद, मॉडल द्वारा सीखे गए पैटर्न को मूल इनपुट अनुक्रमों में वापस追溯 किया जाता है, जिससे अनुक्रम मोटिफ का पता चलता है। अंत में, मॉडल को व्यवस्थित डीएनए अनुक्रम प्रश्नों के साथ प्रदान किया जाता है, जिससे शोधकर्ताओं को यह समझने में मदद मिलती है कि अनुक्रम मोटिफ कैसे जुड़ते हैं और कार्य करते हैं। ज़ेटलिंगर के अनुसार, मॉडल पारंपरिक, प्रयोगात्मक तरीके से परीक्षण करने की तुलना में बहुत अधिक अनुक्रमों की भविष्यवाणी करने में सक्षम है। इसके अलावा, प्रयोगात्मक विचलन के परिणाम की भविष्यवाणी करने से शोधकर्ताओं को यह पहचानने में मदद मिली कि मॉडल को मान्य करते समय कौन से प्रयोग सबसे अधिक जानकारीपूर्ण थे।