Diep leren gebruikt om ziektegerelateerde genen te vinden

A nieuwe studie geleid door onderzoekers van de Universiteit van Linköping laat zien hoe een kunstmatig neuraal netwerk (ANN) grote hoeveelheden genexpressiegegevens kan onthullen en kan leiden tot de ontdekking van groepen ziektegerelateerde genen. De studie is gepubliceerd in Nature Communications, en de wetenschappers willen dat de methode wordt toegepast binnen precisiegeneeskunde en geïndividualiseerde behandeling. 

Wetenschappers ontwikkelen momenteel kaarten van biologische netwerken die gebaseerd zijn op de manier waarop verschillende eiwitten of genen met elkaar interageren. In het nieuwe onderzoek wordt gebruik gemaakt van kunstmatige intelligentie (AI) om erachter te komen of biologische netwerken kunnen worden ontdekt door middel van deep learning. Kunstmatige neurale netwerken, die worden getraind door experimentele gegevens in het proces van deep learning, zijn in staat patronen te vinden in enorme hoeveelheden complexe gegevens. Hierdoor worden ze vaak gebruikt in toepassingen zoals beeldherkenning. Ondanks het ogenschijnlijk enorme potentieel is het gebruik van deze machinale leermethode binnen biologisch onderzoek beperkt gebleven. 

Sanjiv Dwivedi is postdoc bij de afdeling Natuurkunde, Scheikunde en Biologie (IFM) aan de Universiteit van Linköping.

“We hebben voor het eerst deep learning gebruikt om ziektegerelateerde genen te vinden. Dit is een zeer krachtige methode bij 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 bij een groot aantal mensen. Het kunstmatige neurale netwerk werd niet verteld welke genexpressiepatronen van mensen met ziekten waren, of welke van gezonde individuen. Het AI-model werd vervolgens getraind om patronen van genexpressie te vinden.

Een van de mysteries rond machine learning is dat het momenteel onmogelijk is om te zien hoe een kunstmatig neuraal netwerk tot zijn eindresultaat komt. Het is alleen mogelijk om de informatie te zien die erin gaat en de informatie die wordt geproduceerd, maar alles wat daartussen gebeurt, bestaat uit verschillende lagen van wiskundig verwerkte informatie. Deze innerlijke werking van een kunstmatig neuraal 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 hoofddocent bij IFM en leidt het onderzoek. 

“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 vonden we daarentegen op het derde niveau groepen van verschillende celtypen. Het is buitengewoon interessant dat dit type biologisch relevante groepering automatisch wordt geproduceerd, aangezien ons netwerk is uitgegaan van niet-geclassificeerde 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 geheel nieuwe patronen kon ontdekken, omdat het was getraind met niet-geclassificeerde gegevens. De onderzoekers gaan nu onderzoeken tot nu toe onbekende patronen en of die relevant zijn binnen de biologie. 

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

Door samenwerkingen met medische 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.