AI Araştırmacıları Genomik Kuralları Keşfetmek için Açıklanabilir Sinir Ağını Geliştirdi

Bir grup araştırmacı最近, insan genomunun kodunu yöneten gizemli kuralları ortaya çıkarmaya yardımcı olmak amacıyla açıklanabilir bir sinir ağı oluşturdu. Araştırma ekibi, protein-DNA etkileşim haritalarına dayalı bir sinir ağı eğitti ve bu sayede AI, belirli DNA dizilerinin belirli genleri nasıl düzenlediğini keşfetti. Araştırmacılar ayrıca modeli açıklanabilir hale getirdiler, böylece modelin sonuçlarını analiz edebildiler ve sekans motiflerinin genleri nasıl düzenlediğini belirleyebildiler.

Biyolojideki büyük gizemlerden biri, genomun düzenleyici kodudur. DNA’nın dört nükleotid bazdan oluştuğu bilinmektedir – Adenine, Guanine, Timin ve Sitozin – ancak bu baz çiftlerinin aktiviteyi nasıl düzenlediği bilinmemektedir. Dört nükleotid baz, proteinlerin oluşturulma talimatlarını kodlar, ancak aynı zamanda genlerin nasıl ifade edildiğini de kontrol eder (bir organizmada nasıl proteinler üretildiğini). Belirli kombinasyonlar ve bazların düzenlenmesi, DNA’ya bağlanan düzenleyici kodu oluşturan bölümler oluşturur ve bu kombinasyonların ne olduğu bilinmemektedir.

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

Araştırmacılar, transkripsiyon faktörlerinin ve DNA’nın nasıl birleştirildiğini belirlemek için çeşitli deneyler gerçekleştirdiler ve kapsamlı bilgisayar modellemesi yaptılar, böylece her bir nükleotid baz seviyesine kadar ayrıntılı bir harita oluşturdular. 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, doktor ve hesaplamalı biyolog, açıklanabilir sinir ağından elde edilen sonuçların mevcut deneysel sonuçlarla uyumlu olduğunu, ancak genomun düzenleyici koduna ilişkin sürpriz içgörüler de içerdiğini açıkladı. Örneğin, AI modeli, araştırmacıların Nanog adlı bir transkripsiyon faktörünü etkileyen bir kuralı keşfetmelerine olanak tanıdı. Bir DNA çift sarmalının aynı tarafında birden fazla Nanog motifinin bulunması durumunda, bunlar DNA’ya işbirliği içinde bağlanırlar. Zeitlinger, ScienceDaily’ye göre,

“Düzenleyici kodda bazen böyle bir motif periyodisitesinin var olduğu konusunda uzun süredir deneysel kanıtlar vardı. Ancak tam koşullar belirsizdi ve Nanog böyle bir desene sahip olduğundan şüphelenilmiyordu. Nanog’un böyle bir desene sahip olduğunu ve etkileşimlerinin diğer ayrıntılarını görmek, bizi şaşırttı çünkü bu deseni özel olarak aramıyorduk.”

Son araştırma makalesi, DNA’yı analiz etmek için AI’ı kullanan ilk çalışma olmasa da, muhtemelen AI’ın “kara kutusunu” açarak genomda hangi DNA dizilerinin genleri düzenlediğini belirleyen ilk çalışmadır. Sinir ağları, verilerin içinde desenler bulmada uzmanlaşmışlardır, ancak bu ağların oluşturduğu modellerden kazanılan içgörüler çıkarılması zordur. Araştırmacılar, modelin hangi özelliklerin öngörülen genomik kurallar için önemli olduğunu analiz etme yöntemini geliştirerek, daha nüanslı modelleri eğitebilecekler ve yeni keşiflere yol açabileceklerdir.

BPNet’in mimarisi, görüntülerdeki yüzleri tanıyan ağlara benzer. Bilgisayarlı görüme sistemleri görüntülerdeki yüzleri tanıdığında, ağ önce kenarları tespit eder ve sonra bu kenarları birleştirir. Fark, BPNet’in DNA dizilerinden öğrenmesidir, dizin motiflerini tespit etmesi ve bu motifleri daha yüksek düzeydeki kurallara birleştirmesidir ve bu kurallar, temel çözünürlükte veri bağlanmasının öngörülmesini sağlar.

Model yüksek bir doğruluk eşiğini geçtikten sonra, model tarafından öğrenilen desenler, orijinal girdi dizilerine geri izlenir ve bu da dizin motiflerini ortaya çıkarır. Son olarak, model sistematik DNA dizisi sorguları ile sağlanır, böylece araştırmacılar, dizin motiflerinin nasıl birleştirildiğini ve işlevlerini nasıl gerçekleştirdiğini anlayabilirler. Zeitlinger’e göre, model, araştırmacıların geleneksel, deneysel bir şekilde test etmeyi umabileceğinden daha fazla diziyi öngörebilir. Ayrıca, deneysel anormalliklerin sonuçlarını öngörmek, araştırmacıların modeli doğrularken hangi deneylerin en bilgilendirici olduğunu belirlemelerine olanak tanır.