Արհեստական բանականություն
AI հետազոտողները գենոմի կանոնները բացահայտելու համար բացատրելի նյարդային ցանց են մշակում
Հետազոտողների թիմը վերջերս ստեղծեց բացատրելի նեյրոնային ցանց նախատեսված է օգնել կենսաբաններին բացահայտելու առեղծվածային կանոնները, որոնք կարգավորում են մարդու գենոմի կոդը: Հետազոտողների թիմը նեյրոնային ցանց է վարժեցրել սպիտակուց-ԴՆԹ փոխազդեցության քարտեզների վրա՝ թույլ տալով AI-ին բացահայտել, թե ինչպես են որոշ ԴՆԹ-ի հաջորդականություններ կարգավորում որոշակի գեներ: Հետազոտողները նաև բացատրել են մոդելը, որպեսզի նրանք կարողանան վերլուծել մոդելի եզրակացությունները և որոշել, թե ինչպես կարելի է հաջորդականացնել գեները կարգավորող մոտիվները:
Կենսաբանության մեծ առեղծվածներից մեկը գենոմի կարգավորիչ ծածկագիրն է: Հայտնի է, որ ԴՆԹ-ն բաղկացած է չորս նուկլեոտիդային հիմքերից՝ Ադենին, Գուանին, Թիմին և Ցիտոզին, բայց հայտնի չէ, թե ինչպես են այդ բազային զույգերը օգտագործվում ակտիվությունը կարգավորելու համար: Չորս նուկլեոտիդային հիմքերը կոդավորում են սպիտակուցներ կառուցելու հրահանգները, բայց դրանք նաև վերահսկում են, թե որտեղ և ինչպես են արտահայտվում գեները (ինչպես են նրանք օրգանիզմում սպիտակուցներ արտադրում): Հիմքերի հատուկ համակցություններն ու դասավորությունները ստեղծում են կարգավորիչ կոդի բաժիններ, որոնք կապվում են ԴՆԹ-ի հատվածների հետ, և հայտնի չէ, թե ինչ համակցություններ են դրանք:
Համակարգչային գիտնականների և կենսաբանների միջդիսցիպլինար թիմը ձեռնամուխ եղավ լուծելու այս առեղծվածը՝ ստեղծելով բացատրելի նեյրոնային ցանց: Հետազոտական թիմը ստեղծել է նեյրոնային ցանց, որը նրանք անվանել են «Base Pair Network» կամ «BPNet»: Մոդելը, որն օգտագործվում է BPNet-ի կողմից կանխատեսումներ ստեղծելու համար, կարող է մեկնաբանվել՝ բացահայտելու կարգավորիչ ծածկագրերը: Սա իրականացվել է կանխատեսելով, թե ինչպես են տրանսկրիպցիոն գործոններ կոչվող սպիտակուցները կապվում ԴՆԹ-ի հաջորդականությունների հետ:
Հետազոտողները կատարել են մի շարք փորձեր և կատարել համակարգչային համապարփակ մոդելավորում՝ պարզելու, թե ինչպես են տրանսկրիպցիոն գործոնները և ԴՆԹ-ն միմյանց հետ կապված՝ մշակելով մանրամասն քարտեզ մինչև առանձին նուկլեոտիդային հիմքերի մակարդակը: Տրանսկրիպցիոն գործոն-ԴՆԹ-ի մանրամասն ներկայացումները թույլ են տալիս հետազոտողներին ստեղծել գործիքներ, որոնք կարող են մեկնաբանել ինչպես կարևոր ԴՆԹ-ի հաջորդականության օրինաչափությունները, այնպես էլ կանոնները, որոնք գործում են որպես կարգավորող կոդ:
Սթենֆորդի համալսարանի կենսաբան և հաշվողական գիտաշխատող Ջուլիա Զեյթլինգերը բացատրեց, որ բացատրելի նեյրոնային ցանցից ստացված արդյունքները համընկնում են գոյություն ունեցող փորձարարական արդյունքների հետ, բայց դրանք նաև պարունակում են զարմանալի պատկերացումներ գենոմի կարգավորիչ կոդի վերաբերյալ: Որպես օրինակ՝ արհեստական ինտելեկտի մոդելը հետազոտական թիմին թույլ տվեց բացահայտել մի կանոն, որն ազդում է Nanog կոչվող տառադարձման գործոնի աշխատանքի վրա: Երբ Nanog-ի մի քանի օրինակներ կան ԴՆԹ-ի կրկնակի պարույրի միևնույն կողմում, նրանք համագործակցաբար միանում են ԴՆԹ-ին: Ինչպես բացատրեց Ցայտլինգերը ScienceDaily-ի միջոցով.
«Կա փորձարարական ապացույցների երկար հետք, որ նման մոտիվների պարբերականությունը երբեմն գոյություն ունի կարգավորող օրենսգրքում: Այնուամենայնիվ, ստույգ հանգամանքները անհասկանալի էին, և Նանոգը կասկածյալ չէր: Բացահայտելը, որ Nanog-ն ունի նման օրինաչափություն, և տեսնելով նրա փոխազդեցության լրացուցիչ մանրամասները, զարմանալի էր, քանի որ մենք հատուկ չենք փնտրել այս օրինաչափությունը»:
The վերջին հետազոտական աշխատանք հեռու է ԴՆԹ-ի վերլուծության համար արհեստական ինտելեկտի օգտագործմամբ առաջին ուսումնասիրությունից, բայց, ամենայն հավանականությամբ, դա առաջին հետազոտությունն է, որը բացում է AI-ի «սև արկղը»՝ պարզելու, թե ԴՆԹ-ի որ հաջորդականություններն են կարգավորում գենոմի գեները: Նյարդային ցանցերը գերազանցում են տվյալների օրինաչափությունները գտնելու հարցում, սակայն նրանց պատկերացումները դժվար է հանել իրենց ստեղծած մոդելներից: Ստեղծելով վերլուծության մեթոդ, թե որ առանձնահատկությունները մոդելը կարևոր է համարում գենոմային կանոնների կանխատեսման համար՝ հետազոտողները կարող են պատրաստել ավելի նրբերանգ մոդելներ, որոնք հանգեցնում են նոր հայտնագործությունների:
BPNet-ի ճարտարապետությունը նման է այն ցանցերին, որոնք օգտագործվում են պատկերներում դեմքերը ճանաչելու համար: Երբ համակարգչային տեսողության համակարգերը ճանաչում են դեմքերը պատկերների մեջ, ցանցը սկսում է հայտնաբերել եզրերը, այնուհետև միացնում է այդ եզրերը: Տարբերությունն այն է, որ BPNet-ը սովորում է ԴՆԹ-ի հաջորդականություններից՝ հայտնաբերելով հաջորդականության մոտիվները և միացնելով այդ մոտիվները ավելի բարձր կարգի կանոնների մեջ, որոնք կարող են օգտագործվել տվյալների կապը բազային լուծաչափում կանխատեսելու համար:
Այն բանից հետո, երբ մոդելը հասնում է բարձր ճշգրտության շեմին, մոդելի կողմից սովորած օրինաչափությունները հետագծվում են սկզբնական մուտքագրման հաջորդականություններին՝ բացահայտելով հաջորդականության մոտիվները: Ի վերջո, մոդելը տրամադրվում է ԴՆԹ-ի հաջորդականության համակարգված հարցումներով՝ թույլ տալով հետազոտողներին հասկանալ կանոնները, որոնցով հաջորդականության մոտիվները միավորվում և գործում են: Ըստ Zeitlinger-ի, մոդելն ի վիճակի է կանխագուշակել շատ ավելի շատ հաջորդականություններ, քան հետազոտողները կարող էին հույս ունենալ փորձարկել ավանդական, փորձարարական եղանակով: Բացի այդ, փորձարարական անոմալիաների արդյունքի կանխատեսումը թույլ է տալիս հետազոտողներին պարզել, թե որ փորձերն են առավել տեղեկատվական մոդելը վավերացնելիս:
