Peneliti AI Mengembangkan Jaringan Saraf yang Dapat Dijelaskan untuk Menemukan Aturan Genom

Sebuah tim peneliti baru-baru ini mengembangkan jaringan saraf yang dapat dijelaskan yang dimaksudkan untuk membantu ahli biologi mengungkap misteri aturan yang mengatur kode genom manusia. Tim peneliti melatih jaringan saraf pada peta interaksi protein-DNA, memungkinkan AI untuk menemukan bagaimana urutan DNA tertentu mengatur gen tertentu. Peneliti juga membuat model ini dapat dijelaskan, sehingga mereka dapat menganalisis kesimpulan model dan menentukan bagaimana motif urutan mengatur gen.

Salah satu misteri besar dalam biologi adalah kode regulasi genom. Diketahui bahwa DNA terdiri dari empat basa nukleotida – Adenina, Guanina, Timin, dan Sitosin – tetapi tidak diketahui bagaimana pasangan basa ini digunakan untuk mengatur aktivitas. Empat basa nukleotida mengkodekan instruksi untuk membangun protein, tetapi mereka juga mengontrol di mana dan bagaimana gen diekspresikan, (bagaimana mereka membuat protein dalam organisme). Kombinasi dan pengaturan basa tertentu menciptakan bagian kode regulasi yang mengikat segmen DNA, dan tidak diketahui kombinasi apa yang tepat.

Sebuah tim interdisiplin ilmuwan komputer dan ahli biologi berusaha untuk memecahkan misteri ini dengan mengembangkan jaringan saraf yang dapat dijelaskan. Tim peneliti menciptakan jaringan saraf yang mereka sebut “Jaringan Pasangan Basa” atau “BPNet”. Model yang digunakan oleh BPNet untuk menghasilkan prediksi dapat diinterpretasikan untuk mengidentifikasi kode regulasi. Hal ini dicapai dengan memprediksi bagaimana protein yang disebut faktor transkripsi mengikat dengan urutan DNA.

Peneliti melakukan berbagai eksperimen dan pemodelan komputer yang komprehensif untuk menentukan bagaimana faktor transkripsi dan DNA terikat bersama, mengembangkan peta rinci hingga tingkat basa nukleotida individu. Representasi faktor transkripsi-DNA yang rinci memungkinkan peneliti untuk menciptakan alat yang dapat menafsirkan pola urutan DNA yang kritis dan aturan yang berfungsi sebagai kode regulasi.

Julia Zeitlinger, PhD ahli biologi dan peneliti komputasi di Stanford University, menjelaskan bahwa hasil yang diperoleh dari jaringan saraf yang dapat dijelaskan sesuai dengan hasil eksperimen yang ada, tetapi mereka juga mengandung wawasan yang mengejutkan tentang kode regulasi genom. Sebagai contoh, model AI memungkinkan tim peneliti untuk menemukan aturan yang mempengaruhi bagaimana faktor transkripsi yang disebut Nanog beroperasi. Ketika beberapa contoh motif Nanog hadir di sisi yang sama dari heliks ganda DNA, mereka mengikat secara kooperatif ke DNA. Seperti yang dijelaskan Zeitlinger melalui ScienceDaily:

“Telah ada jejak panjang bukti eksperimental bahwa motif periodik seperti ini kadang-kadang ada dalam kode regulasi. Namun, keadaan yang tepat tidak jelas, dan Nanog tidak pernah menjadi tersangka. Menemukan bahwa Nanog memiliki pola seperti ini, dan melihat detail tambahan tentang interaksinya, mengejutkan karena kita tidak secara khusus mencari pola ini.”

Makalah penelitian baru-baru ini jauh dari studi pertama yang menggunakan AI untuk menganalisis DNA, tetapi ini kemungkinan studi pertama yang membuka “kotak hitam” AI untuk mengetahui urutan DNA mana yang mengatur gen dalam genom. Jaringan saraf sangat baik dalam menemukan pola dalam data, tetapi wawasan mereka sulit untuk diperoleh dari model yang mereka buat. Dengan menciptakan metode untuk menganalisis fitur mana yang dianggap penting oleh model untuk prediksi aturan genom, peneliti dapat melatih model yang lebih halus yang mengarah pada penemuan baru.

Arsitektur BPNet mirip dengan jaringan yang digunakan untuk mengenali wajah dalam gambar. Ketika sistem visi komputer mengenali wajah dalam gambar, jaringan mulai dengan mendeteksi tepi dan kemudian menggabungkan tepi-tepi tersebut. Perbedaannya adalah BPNet belajar dari urutan DNA, mendeteksi motif urutan dan menggabungkan motif-motif tersebut menjadi aturan tingkat tinggi yang dapat digunakan untuk memprediksi pengikatan data pada resolusi dasar.

Setelah model mencapai ambang akurasi yang tinggi, pola yang dipelajari oleh model dapat dilacak kembali ke urutan input asli, mengungkapkan motif urutan. Akhirnya, model diberikan kueri urutan DNA sistematis, memungkinkan peneliti untuk memahami aturan yang menggabungkan motif urutan dan berfungsi. Menurut Zeitlinger, model ini dapat memprediksi banyak urutan lebih dari yang dapat diharapkan oleh peneliti untuk diuji dalam cara eksperimental tradisional. Selain itu, memprediksi hasil anomali eksperimental memungkinkan peneliti untuk mengidentifikasi eksperimen mana yang paling informatif saat memvalidasi model.