AI Araştırmacıları Genomik Kuralları Keşfetmek için Açıklanabilir Sinir Ağı Geliştirdi

Bir grup araştırmacı, insan genomunun kodunu yöneten gizemli kuralları biyologların ortaya çıkarmasına yardımcı olmak amacıyla açıklanabilir bir sinir ağı oluşturdu. Araştırma ekibi, protein-DNA etkileşim haritalarında bir sinir ağını eğitti ve böylece AI’nin belirli DNA dizilerinin belirli genleri nasıl düzenlediğini keşfetmesini sağladı. Araştırmacılar ayrıca modeli açıklanabilir hale getirdi, böylece modelin sonuçlarını analiz edebildiler ve dizi motiflerin nasıl genleri düzenlediğini belirleyebildiler.

Biyolojideki büyük sırlardan biri, genomun düzenleyici kodudur. DNA’nın dört nükleotid bazdan – Adenin, Guanin, Timin ve Sitozin – oluştuğu bilinmektedir, ancak bu baz çiftlerinin aktiviteyi nasıl düzenlediği bilinmemektedir. Dört nükleotid baz, proteinlerin oluşturulması için talimatları kodlar, ancak aynı zamanda genlerin nerede ve nasıl ifade edildiğini de kontrol eder (bir organizmada proteinler nasıl yapılır). Belirli kombinasyonlar ve bazların düzenlenmesi, DNA’ya bağlanan düzenleyici kod bölümleri oluşturur ve bu kombinasyonların ne olduğu bilinmemektedir.

Bilgisayar bilimcileri ve biyologlardan oluşan disiplinler arası bir ekip, bu sırrı çözmek için açıklanabilir bir sinir ağı oluşturmaya çalıştı. Araştırma ekibi, “Base Pair Network” veya “BPNet” adında bir sinir ağı oluşturdu. BPNet tarafından kullanılan model, düzenleyici kodları tanımlamak için yorumlanabilir. Bu, transkripsiyon faktörlerinin DNA dizileriyle nasıl bağlandığını tahmin ederek gerçekleştirildi.

Araştırmacılar, transkripsiyon faktörleri ve DNA’nın nasıl birleştiğini belirlemek için çeşitli deneyler ve kapsamlı bilgisayar modellemesi yaptı ve bireysel nükleotid bazlarının düzeyine kadar ayrıntılı bir harita geliştirdi. Ayrıntılı transkripsiyon faktörü-DNA temsilmaları, araştırmacıların hem kritik DNA dizisi kalıplarını hem de düzenleyici kod olarak işlev gören kuralları yorumlayabilen araçlar oluşturmasına olanak tanıdı.

Stanford Üniversitesi’nden Julia Zeitlinger, PhD biyolog ve hesaplamalı araştırmacı, açıklanabilir sinir ağından elde edilen sonuçların mevcut deneysel sonuçlarla uyumlu olduğunu, ancak aynı zamanda genomun düzenleyici koduna ilişkin sürpriz içgörüler içerdiğini açıkladı. Örneğin, AI modeli, araştırmacı ekibinin Nanog adlı bir transkripsiyon faktörünü etkileyen bir kuralı keşfetmesine olanak tanıdı. Bir DNA çift sarmalının aynı tarafında birden fazla Nanog motifinin mevcut olması durumunda, bunlar DNA’ya işbirliği içinde bağlanır. Zeitlinger, ScienceDaily aracılığıyla şunları söyledi:

“Bu motif periyodisitesinin bazen düzenleyici kodda mevcut olduğu konusunda uzun süredir deneysel kanıtlar vardı. Ancak tam koşullar belirsizdi ve Nanog bu desenin şüpheli değildi. Nanog’un böyle bir desene sahip olduğunu ve etkileşimlerinin ek ayrıntılarını görmeyi keşfetmek sürprizdi, çünkü bu deseni özel olarak aramadık.”

Son araştırma makalesi, AI’yi DNA analiz etmek için kullanan ilk çalışma değil, ancak muhtemelen AI’nin “kara kutusunu” açan ve genomda hangi DNA dizilerinin genleri düzenlediğini belirleyen ilk çalışma. Sinir ağları, verilerin içinde desenleri bulmada uzmanlaşmışlardır, ancak bu ağların oluşturduğu içgörüler bu modellerden çıkarılması zordur. Modelin hangi özelliklerin öngörülen genomik kurallar için önemli olduğunu analiz etme yöntemi oluşturarak, araştırmacılar daha nüanslı modeller oluşturabilir ve yeni keşiflere yol açabilir.

BPNet mimarisi, görüntülerdeki yüzleri tanıyan ağlara benzer. Bilgisayarlı görüme sistemleri görüntülerdeki yüzleri tanıdığında, ağ önce kenarları algılar ve sonra bu kenarları birleştirir. Fark, BPNet’nin DNA dizilerinden öğrenmesidir, dizi motiflerini algılar ve bu motifleri daha yüksek düzeydeki kurallara birleştirir ve bu kurallar base-çözünürlükte veri bağlanmasını öngörebilir.

Model, yüksek bir doğruluk eşiğini geçtikten sonra, model tarafından öğrenilen kalıplar, orijinal girdi dizilerine geri izlenir ve dizi motifleri ortaya çıkar. Son olarak, model, sistematik DNA dizisi sorgularıyla sağlanır, böylece araştırmacılar, dizi motiflerinin nasıl birleşip işlevlerini anlar. Zeitlinger’e göre, model, araştırmacıların geleneksel, deneysel bir şekilde test edebileceğinden çok daha fazla dizi öngörebilir. Ayrıca, deneysel anormalliklerin sonuçlarını öngörerek, araştırmacılar modeli doğrularken hangi deneylerin en bilgilendirici olduğunu belirleyebilir.