Глибоке навчання використовується для пошуку генів, пов’язаних з захворюваннями

Нове дослідження, яке очолюють дослідники Університету Лінкьопінга, демонструє, як штучна нейронна мережа (ANN) може розкрити великі об’єми даних про експресію генів і привести до відкриття груп генів, пов’язаних з захворюваннями. Дослідження було опубліковано в Nature Communications, і вчені хочуть, щоб цей метод застосовувався в персоналізованій медицині та індивідуальному лікуванні.

Вчені зараз розробляють карти біологічних мереж, які базуються на взаємодії між різними білками або генами. Нове дослідження涉лює використання штучного інтелекту (AI) для визначення біологічних мереж за допомогою глибокого навчання. Штучні нейронні мережі, які навчаються на експериментальних даних під час глибокого навчання, можуть виявляти закономірності у величезних об’ємах складних даних. Через це вони часто використовуються в таких застосуваннях, як розпізнавання зображень. Навіть з його величезним потенціалом, використання цього методу машинного навчання було обмежене в біологічних дослідженнях.

Санджив Двіведі – постдокторант кафедри фізики, хімії та біології (IFM) Університету Лінкьопінга.

“Ми вперше використали глибоке навчання для пошуку генів, пов’язаних з захворюваннями. Це дуже потужний метод аналізу величезних об’ємів біологічної інформації, або «біг-дата»”, – говорить Двіведі.

Вчені спиралися на велику базу даних з інформацією про моделі експресії 20 000 генів у великій кількості людей. Штучна нейронна мережа не знала, які моделі експресії генів були від людей з захворюваннями, а які – від здорових осіб. Модель AI була потім навчена для пошуку закономірностей експресії генів.

Одна з загадок, пов’язаних з машинним навчанням, полягає в тому, що зараз неможливо побачити, як штучна нейронна мережа приймає остаточний результат. Можна побачити тільки інформацію, яка подається на вході, і інформацію, яка виробляється, але все, що відбувається між цими процесами, складається з декількох шарів математично обробленої інформації. Внутрішня робота штучної нейронної мережі ще не може бути розшифрована. Вчені хотіли знати, чи є подібності між конструкцією нейронної мережі та знайомими біологічними мережами.

Майк Густафссон – старший лектор IFM і очолює дослідження.

“Коли ми проаналізували нашу нейронну мережу, виявилося, що перший прихований шар у великій мірі представляє взаємодію між різними білками. Глибше в моделі, на третьому рівні, ми знайшли групи різних типів клітин. Дуже цікаво, що цей тип біологічно значимої групи автоматично виробляється, враховуючи, що наша мережа почала роботу з некласифікованих даних про експресію генів”, – говорить Густафссон.

Вчені потім хотіли знати, чи може їхня модель експресії генів бути використана для визначення, які моделі експресії генів пов’язані з захворюваннями, а які – нормальними. Вони змогли підтвердити, що модель може виявляти закономірності, які узгоджуються з біологічними механізмами в організмі. Іншим відкриттям було те, що штучна нейронна мережа може можливо виявити абсолютно нові закономірності, оскільки вона була навчена на некласифікованих даних. Дослідники тепер будуть вивчувати раніше невідомі закономірності та їхню значимість у біології.

“Ми вважаємо, що ключ до прогресу в цій галузі полягає в розумінні нейронної мережі. Це може навчити нас нових речей про біологічні контексти, такі як захворювання, при яких взаємодіють багато факторів. І ми вважаємо, що наш метод дає моделі, які легше узагальнювати і які можуть бути використані для різних типів біологічної інформації”, – говорить Густафссон.

Через співробітництво з медичними дослідниками Густафссон сподівається застосувати цей метод в персоналізованій медицині. Це може допомогти визначити, які конкретні типи ліків пацієнти повинні отримувати.

Дослідження було фінансово підтримано Шведською фундацією стратегічних досліджень (SSF) та Шведською дослідницькою радою.