Дослідники штучного інтелекту розробили пояснювальну нейронну мережу для відкриття геномних правил

Команда дослідників недавно створила пояснювальну нейронну мережу з метою допомогти біологам розкрити загадкові правила, які керують кодом людського геному. Команда дослідників навчала нейронну мережу на картах взаємодії білка-ДНК, що дозволило штучному інтелекту виявити, як певні послідовності ДНК регулюють певні гени. Дослідники також зробили модель пояснюваною, щоб вони могли проаналізувати висновки моделі та визначити, як мотиви послідовностей регулюють гени.

Одна з великих загадок біології – це регуляторний код геному. Відомо, що ДНК складається з чотирьох нуклеотидних основ – Аденін, Гуанін, Тимін та Цитозин – але невідомо, як ці основи використовуються для регулювання діяльності. Чотири нуклеотидні основи кодують інструкції для побудови білків, але вони також контролюють, де та як гени експресуються, (як вони створюють білки в організмі). Конкретні комбінації та розташування основ створюють секції регуляторного коду, які зв’язуються з сегментами ДНК, і невідомо, які саме ці комбінації.

Інтердисциплінарна команда комп’ютерних вчених та біологів вирішила цю загадку, створивши пояснювальну нейронну мережу. Команда дослідників створила нейронну мережу, яку вони назвали “Base Pair Network” або “BPNet”. Модель, яку використовує BPNet для генерації прогнозів, може бути інтерпретована для ідентифікації регуляторних кодів. Це було досягнуто шляхом прогнозування, як білки, які називаються транскрипційними факторами, зв’язуються з послідовностями ДНК.

Дослідники провели ряд експериментів та здійснили повне комп’ютерне моделювання для визначення того, як транскрипційні фактори та ДНК були пов’язані, створивши детальну карту до рівня окремих нуклеотидних основ. Детальні представлення транскрипційних факторів-ДНК дозволили дослідникам створити інструменти, здатні інтерпретувати як критичні послідовності ДНК, так і правила, які функціонують як регуляторний код.

Юлія Цайтлінгер, PhD біолог та комп’ютерний дослідник Стенфордського університету, пояснила, що результати, отримані з пояснювальної нейронної мережі, збігалися з існуючими експериментальними результатами, але вони також містили несподівані висновки щодо регуляторного коду геному. Як приклад, модель штучного інтелекту дозволила команді дослідників виявити правило, яке впливає на те, як діє транскрипційний фактор під назвою Nanog. Коли кілька екземплярів мотиву Nanog присутні на одному боці подвійної спіралі ДНК, вони зв’язуються кооперативно з ДНК. Як пояснила Цайтлінгер за допомогою ScienceDaily:

“Було багато експериментальних доказів того, що така періодичність мотиву іноді існує в регуляторному коді. Однак точні обставини були неясними, і Nanog не був підозрюваним. Виявлення того, що Nanog має такий шаблон, і бачення додаткових деталей його взаємодій, було несподіваним, оскільки ми не конкретно шукали цей шаблон.”

Недавня дослідницька робота далеко не перша робота, яка використовує штучний інтелект для аналізу ДНК, але це, ймовірно, перша робота, яка відкриває “чорну скриньку” штучного інтелекту для визначення, які послідовності ДНК регулюють гени в геномі. Нейронні мережі добре знаходять закономірності у даних, але їхні висновки важко витягнути з моделей, які вони створюють. Створивши метод аналізу тих ознак, які модель вважає важливими для прогнозування геномних правил, дослідники могли навчати більш тонкі моделі, які приводять до нових відкриттів.

Архітектура BPNet подібна до мереж, які використовуються для розпізнавання облич у зображеннях. Коли комп’ютерні системи розпізнають обличчя в зображеннях, мережа починає з виявлення країв, а потім з’єднує ці краї. Різниця полягає в тому, що BPNet вчиться на послідовностях ДНК, виявляючи мотиви послідовностей та з’єднуючи ці мотиви в вищому порядку правил, які можуть бути використані для прогнозування зв’язування даних на рівні основ.

Після того, як модель досягла високого порогу точності, закономірності, вивчені моделлю, відстежуються до оригінальних вхідних послідовностей, розкриваючи мотиви послідовностей. Нарешті, моделі надаються систематичні запити послідовностей ДНК, що дозволяє дослідникам зрозуміти правила, за якими мотиви послідовностей поєднуються та функціонують. За словами Цайтлінгер, модель здатна прогнозувати набагато більше послідовностей, ніж дослідники могли б сподіватися протестувати традиційним, експериментальним способом. Крім того, прогнозування результатів експериментальних аномалій дозволило дослідникам визначити, які експерименти були найбільш інформативними при валідуванні моделі.