Diep Leer Gebruikt Om Ziekte-gerelateerde Genen Te Vinden

Een nieuwe studie onder leiding van onderzoekers aan de Linköping Universiteit toont aan hoe een kunstmatig neurale netwerk (ANN) grote hoeveelheden genexpressiegegevens kan onthullen en kan leiden tot de ontdekking van groepen ziekte-gerelateerde genen. De studie werd gepubliceerd in Nature Communications, en de wetenschappers willen dat de methode wordt toegepast in de precisiegeneeskunde en individuele behandeling.

Wetenschappers zijn momenteel bezig met het maken van kaarten van biologische netwerken die zijn gebaseerd op hoe verschillende eiwitten of genen met elkaar interacteren. De nieuwe studie houdt zich bezig met het gebruik van kunstmatige intelligentie (AI) om te ontdekken of biologische netwerken kunnen worden ontdekt door middel van diepe leer. Kunstmatige neurale netwerken, die zijn getraind met experimentele gegevens in het proces van diepe leer, kunnen patronen vinden in enorme hoeveelheden complexe gegevens. Vanwege dit feit worden ze vaak gebruikt in toepassingen zoals beeldherkenning. Ondanks het ogenschijnlijk enorme potentieel is het gebruik van deze machine learning-methode beperkt gebleven in biologisch onderzoek.

Sanjiv Dwivedi is een postdoc in de afdeling Fysica, Scheikunde en Biologie (IFM) aan de Linköping Universiteit.

“We hebben voor het eerst diepe leer gebruikt om ziekte-gerelateerde genen te vinden. Dit is een zeer krachtige methode in de analyse van enorme hoeveelheden biologische informatie, of ‘big data’,” zegt Dwivedi.

De wetenschappers vertrouwden op een grote database met informatie over de expressiepatronen van 20.000 genen in een groot aantal mensen. Het kunstmatige neurale netwerk werd niet verteld welke genexpressiepatronen afkomstig waren van mensen met ziektes, of welke van gezonde individuen. Het AI-model werd vervolgens getraind om patronen van genexpressie te vinden.

Een van de mysteries rondom machine learning is dat het momenteel onmogelijk is om te zien hoe een kunstmatig neurale netwerk tot zijn eindresultaat komt. Het is alleen mogelijk om de informatie te zien die naar binnen gaat en de informatie die wordt gegenereerd, maar alles wat er tussen gebeurt, bestaat uit meerdere lagen van wiskundig verwerkte informatie. De innerlijke werking van een kunstmatig neurale netwerk kan nog niet worden ontcijferd. De wetenschappers wilden weten of er overeenkomsten waren tussen de ontwerpen van het neurale netwerk en de bekende biologische netwerken.

Mike Gustafsson is een senior docent aan IFM en leidt de studie.

“Toen we ons neurale netwerk analyseerden, bleek dat de eerste verborgen laag voor een groot deel interacties tussen verschillende eiwitten vertegenwoordigde. Dieper in het model, op het derde niveau, vonden we groepen van verschillende celtypen. Het is extreem interessant dat dit type biologisch relevante groepering automatisch wordt gegenereerd, gezien het feit dat ons netwerk is gestart met ongeclassificeerde genexpressiegegevens,” zegt Gustafsson.

De wetenschappers wilden vervolgens weten of hun model van genexpressie kon worden gebruikt om te bepalen welke genexpressiepatronen geassocieerd zijn met ziekte en welke normaal zijn. Ze konden bevestigen dat het model relatieve patronen kan ontdekken die overeenkomen met biologische mechanismen in het lichaam. Een andere ontdekking was dat het kunstmatige neurale netwerk mogelijk nieuwe patronen kan ontdekken, aangezien het is getraind met ongeclassificeerde gegevens. De onderzoekers zullen nu onbekende patronen onderzoeken en of ze relevant zijn in de biologie.

“We geloven dat de sleutel tot vooruitgang in het veld is om het neurale netwerk te begrijpen. Dit kan ons nieuwe dingen leren over biologische contexten, zoals ziektes waarin veel factoren interacteren. En we geloven dat onze methode modellen oplevert die gemakkelijker te generaliseren zijn en die kunnen worden gebruikt voor veel verschillende soorten biologische informatie,” zegt Gustafsson.

Door middel van samenwerking met medisch onderzoekers, hoopt Gustafsson de methode toe te passen in de precisiegeneeskunde. Dit kan helpen bepalen welke specifieke soorten medicijnen patiënten moeten krijgen.

De studie werd financieel ondersteund door de Zweedse Stichting voor Strategisch Onderzoek (SSF) en de Zweedse Onderzoeksraad.