Глубокое обучение используется для поиска генов, связанных с болезнями

A Новое исследование под руководством исследователей из Университета Линчепинга демонстрирует, как искусственная нейронная сеть (ИНС) может выявлять большие объемы данных об экспрессии генов и может привести к открытию групп генов, связанных с заболеванием. Исследование было опубликовано в Природа связи, и ученые хотят, чтобы метод применялся в прецизионной медицине и индивидуальном лечении. 

В настоящее время ученые разрабатывают карты биологических сетей, основанные на том, как различные белки или гены взаимодействуют друг с другом. Новое исследование предполагает использование искусственного интеллекта (ИИ), чтобы выяснить, можно ли обнаружить биологические сети с помощью глубокого обучения. Искусственные нейронные сети, обучаемые на экспериментальных данных в процессе глубокого обучения, способны находить закономерности в огромных объемах сложных данных. По этой причине их часто используют в таких приложениях, как распознавание изображений. Несмотря на, казалось бы, огромный потенциал, использование этого метода машинного обучения в биологических исследованиях ограничено. 

Санджив Двиведи — постдокторант факультета физики, химии и биологии (IFM) Университета Линчёпинга.

«Мы впервые использовали глубокое обучение для поиска генов, связанных с болезнями. Это очень мощный метод анализа огромных объемов биологической информации или «больших данных», — говорит Двиведи.

Ученые опирались на большую базу данных с информацией о паттернах экспрессии 20,000 XNUMX генов у большого количества людей. Искусственной нейронной сети не сообщили, какие паттерны экспрессии генов были у людей с заболеваниями, а какие у здоровых людей. Затем модель ИИ была обучена находить закономерности экспрессии генов.

Одна из загадок, связанных с машинным обучением, заключается в том, что в настоящее время невозможно увидеть, как искусственная нейронная сеть достигает своего конечного результата. Можно видеть только поступающую и производимую информацию, но все, что происходит между ними, состоит из нескольких слоев математически обработанной информации. Эти внутренние механизмы искусственной нейронной сети пока не поддаются расшифровке. Ученые хотели узнать, есть ли сходство между конструкциями нейронной сети и знакомыми биологическими сетями. 

Майк Густафссон — старший преподаватель IFM и руководитель исследования. 

«Когда мы проанализировали нашу нейронную сеть, оказалось, что первый скрытый слой представляет собой в значительной степени взаимодействия между различными белками. Глубже в модели, напротив, на третьем уровне мы обнаружили группы разных типов клеток. Чрезвычайно интересно, что этот тип биологически релевантной группировки создается автоматически, учитывая, что наша сеть началась с неклассифицированных данных об экспрессии генов», — говорит Густафссон.

Затем ученые хотели узнать, можно ли использовать их модель экспрессии генов для определения того, какие паттерны экспрессии генов связаны с болезнью, а какие являются нормальными. Они смогли подтвердить, что модель может обнаруживать относительные закономерности, которые согласуются с биологическими механизмами в организме. Еще одно открытие заключалось в том, что искусственная нейронная сеть могла обнаруживать совершенно новые закономерности, поскольку она была обучена на несекретных данных. Исследователи теперь будут исследовать ранее неизвестные закономерности и выяснить, имеют ли они отношение к биологии. 

«Мы считаем, что ключом к прогрессу в этой области является понимание нейронной сети. Это может научить нас новым вещам о биологических контекстах, таких как болезни, при которых взаимодействует множество факторов. И мы считаем, что наш метод дает модели, которые легче обобщить и которые можно использовать для многих различных типов биологической информации», — говорит Густафссон.

Благодаря сотрудничеству с медицинскими исследователями Густафссон надеется применить этот метод в точной медицине. Это могло бы помочь определить, какие конкретные типы лекарств должны получать пациенты.

Исследование проводилось при финансовой поддержке Шведского фонда стратегических исследований (SSF) и Шведского исследовательского совета.