Hastalıkla İlgili Genleri Bulmak İçin Kullanılan Derin Öğrenme

A Yeni bir çalışma Linköping Üniversitesi'ndeki araştırmacılar tarafından yürütülen bir araştırma, bir yapay sinir ağının (YSA) büyük miktarda gen ifade verisini nasıl ortaya çıkarabileceğini ve hastalıkla ilgili gen gruplarının keşfedilmesine yol açabileceğini gösteriyor. Çalışma yayınlandı Doğa İletişim, ve bilim adamları, yöntemin hassas tıp ve bireyselleştirilmiş tedavi kapsamında uygulanmasını istiyor. 

Bilim adamları şu anda farklı proteinlerin veya genlerin birbirleriyle nasıl etkileşime girdiğini temel alan biyolojik ağ haritaları geliştiriyorlar. Yeni çalışma, derin öğrenme yoluyla biyolojik ağların keşfedilip keşfedilemeyeceğini öğrenmek için yapay zekanın (AI) kullanımını içeriyor. Derin öğrenme sürecinde deneysel verilerle eğitilen yapay sinir ağları, devasa miktardaki karmaşık veriler içerisinden örüntüler bulabilmektedir. Bu nedenle görüntü tanıma gibi uygulamalarda sıklıkla kullanılırlar. Görünüşte muazzam potansiyeline rağmen, bu makine öğrenimi yönteminin biyolojik araştırmalarda kullanımı sınırlıdır. 

Sanjiv Dwivedi, Linköping Üniversitesi Fizik, Kimya ve Biyoloji (IFM) Bölümü'nde postdoctur.

Dwivedi, "Hastalıklarla ilgili genleri bulmak için ilk kez derin öğrenmeyi kullandık. Bu, büyük miktarda biyolojik bilginin veya 'büyük verinin' analizinde çok güçlü bir yöntem," diyor.

Bilim adamları, çok sayıda insanda 20,000 genin ifade modellerine ilişkin bilgiler içeren geniş bir veri tabanına güvendiler. Yapay sinir ağına hangi gen ifade örüntülerinin hastalıklı insanlardan, hangilerinin sağlıklı bireylerden olduğu söylenmedi. AI modeli daha sonra gen ifadesinin kalıplarını bulmak için eğitildi.

Makine öğrenimini çevreleyen gizemlerden biri, şu anda bir yapay sinir ağının nihai sonuca nasıl ulaştığını görmenin imkansız olmasıdır. Sadece içeri giren bilgileri ve üretilen bilgileri görmek mümkündür, ancak arada gerçekleşen her şey, matematiksel olarak işlenmiş birkaç bilgi katmanından oluşur. Bir yapay sinir ağının bu iç işleyişi henüz deşifre edilememiştir. Bilim adamları, sinir ağının tasarımları ile tanıdık biyolojik ağlar arasında herhangi bir benzerlik olup olmadığını bilmek istediler. 

Mike Gustafsson, IFM'de kıdemli bir öğretim görevlisidir ve çalışmayı yönetmektedir. 

Gustafsson, "Sinir ağımızı analiz ettiğimizde, ilk gizli katmanın büyük ölçüde çeşitli proteinler arasındaki etkileşimleri temsil ettiği ortaya çıktı. Modelin daha derinlerinde, üçüncü seviyede ise farklı hücre tiplerinden oluşan gruplar bulduk. Ağımızın sınıflandırılmamış gen ifadesi verilerinden yola çıktığı düşünüldüğünde, bu tür biyolojik olarak alakalı gruplamaların otomatik olarak üretilmesi son derece ilginç," diyor.

Bilim adamları daha sonra gen ekspresyon modellerinin hangi gen ekspresyon paternlerinin hastalıkla ilişkili ve hangilerinin normal olduğunu belirlemek için kullanılıp kullanılamayacağını bilmek istediler. Modelin vücuttaki biyolojik mekanizmalarla uyuşan göreli kalıpları keşfedebildiğini doğrulayabildiler. Bir diğer keşif ise, yapay sinir ağının sınıflandırılmamış verilerle eğitildiği için yepyeni örüntüler keşfedebilmesiydi. Araştırmacılar şimdi daha önce bilinmeyen kalıpları ve bunların biyoloji ile ilgili olup olmadığını araştıracaklar. 

"Bu alanda ilerlemenin anahtarının sinir ağını anlamak olduğuna inanıyoruz. Bu bize birçok faktörün etkileşim içinde olduğu hastalıklar gibi biyolojik bağlamlar hakkında yeni şeyler öğretebilir. Gustafsson, yöntemimizin genelleştirilmesi daha kolay ve birçok farklı biyolojik bilgi türü için kullanılabilecek modeller verdiğine inanıyoruz” diyor.

Gustafsson, tıbbi araştırmacılarla yaptığı işbirlikleri sayesinde yöntemi hassas tıpta uygulamayı umuyor. Bu, hastaların hangi özel ilaç türlerini alması gerektiğini belirlemeye yardımcı olabilir.

Çalışma, İsveç Stratejik Araştırma Vakfı (SSF) ve İsveç Araştırma Konseyi tarafından mali olarak desteklenmiştir.