Aprendizado Profundo Usado para Encontrar Genes Relacionados a Doenças

Um novo estudo liderado por pesquisadores da Universidade de Linköping demonstra como uma rede neural artificial (ANN) pode revelar grandes quantidades de dados de expressão gênica e pode levar à descoberta de grupos de genes relacionados a doenças. O estudo foi publicado em Nature Communications, e os cientistas querem que o método seja aplicado dentro da medicina de precisão e tratamento personalizado.

Os cientistas estão atualmente desenvolvendo mapas de redes biológicas que são baseados em como diferentes proteínas ou genes interagem entre si. O novo estudo envolve o uso de inteligência artificial (IA) para descobrir se redes biológicas podem ser descobertas por meio do aprendizado profundo. Redes neurais artificiais, que são treinadas por dados experimentais no processo de aprendizado profundo, são capazes de encontrar padrões dentro de grandes quantidades de dados complexos. Devido a isso, elas são frequentemente usadas em aplicações como reconhecimento de imagens. Mesmo com seu potencial aparentemente enorme, o uso desse método de aprendizado de máquina tem sido limitado dentro da pesquisa biológica.

Sanjiv Dwivedi é um pós-doutorado no Departamento de Física, Química e Biologia (IFM) da Universidade de Linköping.

“Nós usamos pela primeira vez o aprendizado profundo para encontrar genes relacionados a doenças. Esse é um método muito poderoso na análise de grandes quantidades de informações biológicas, ou ‘big data’,” diz Dwivedi.

Os cientistas confiaram em um grande banco de dados com informações sobre os padrões de expressão de 20.000 genes em um grande número de pessoas. A rede neural artificial não foi informada sobre quais padrões de expressão gênica eram de pessoas com doenças ou quais eram de indivíduos saudáveis. O modelo de IA foi então treinado para encontrar padrões de expressão gênica.

Uma das questões em torno do aprendizado de máquina é que atualmente é impossível ver como uma rede neural artificial chega ao seu resultado final. É possível ver apenas as informações que entram e as informações que são produzidas, mas tudo o que acontece entre elas consiste em várias camadas de informações processadas matematicamente. Os cientistas queriam saber se havia alguma semelhança entre os designs da rede neural e as redes biológicas familiares.

Mike Gustafsson é um professor sênior no IFM e lidera o estudo.

“Quando analisamos nossa rede neural, descobriu-se que a primeira camada oculta representava em grande parte interações entre várias proteínas. Mais profundamente no modelo, na terceira camada, encontramos grupos de diferentes tipos de células. É extremamente interessante que esse tipo de agrupamento biologicamente relevante seja produzido automaticamente, considerando que nossa rede começou com dados de expressão gênica não classificados,” diz Gustafsson.

Os cientistas então queriam saber se seu modelo de expressão gênica era capaz de ser usado para determinar quais padrões de expressão gênica estão associados a doenças e quais são normais. Eles foram capazes de confirmar que o modelo pode descobrir padrões relativos que concordam com mecanismos biológicos no corpo. Outra descoberta foi que a rede neural artificial pode possivelmente descobrir novos padrões, pois foi treinada com dados não classificados. Os pesquisadores agora investigarão padrões anteriormente desconhecidos e se eles são relevantes dentro da biologia.

“Acreditamos que a chave para o progresso nesse campo é entender a rede neural. Isso pode nos ensinar coisas novas sobre contextos biológicos, como doenças em que muitos fatores interagem. E acreditamos que nosso método fornece modelos que são mais fáceis de generalizar e que podem ser usados para muitos tipos diferentes de informações biológicas,” diz Gustafsson.

Por meio de colaborações com pesquisadores médicos, Gustafsson espera aplicar o método na medicina de precisão. Isso pode ajudar a determinar quais tipos específicos de medicamentos os pacientes devem receber.

O estudo foi financiado pela Fundação Sueca para Pesquisa Estratégica (SSF) e pelo Conselho de Pesquisa Sueco.