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

A Нове дослідження під керівництвом дослідників з Університету Лінчепінга демонструє, як штучна нейронна мережа (ШНМ) може виявити велику кількість даних про експресію генів, і це може призвести до відкриття груп генів, пов’язаних із захворюваннями. Дослідження було опубліковано в Природа зв'язку, і вчені хочуть, щоб цей метод застосовувався в прецизійній медицині та індивідуальному лікуванні. 

Зараз вчені розробляють карти біологічних мереж, які базуються на тому, як різні білки або гени взаємодіють один з одним. Нове дослідження передбачає використання штучного інтелекту (AI), щоб з’ясувати, чи можна виявити біологічні мережі за допомогою глибокого навчання. Штучні нейронні мережі, які навчаються експериментальними даними в процесі глибокого навчання, здатні знаходити закономірності у величезних обсягах складних даних. Через це вони часто використовуються в таких програмах, як розпізнавання зображень. Незважаючи на його, здавалося б, величезний потенціал, використання цього методу машинного навчання було обмеженим у біологічних дослідженнях. 

Санджів Двіведі — постдокторант факультету фізики, хімії та біології (IFM) Лінчепінгського університету.

«Ми вперше застосували глибоке навчання для пошуку генів, пов’язаних із захворюваннями. Це дуже потужний метод аналізу величезних обсягів біологічної інформації або «великих даних», — каже Двіведі.

Вчені спиралися на велику базу даних з інформацією щодо моделей експресії 20,000 XNUMX генів у великої кількості людей. Штучній нейронній мережі не було сказано, які моделі експресії генів належать людям із захворюваннями, а які — здоровим людям. Потім модель штучного інтелекту навчили знаходити моделі експресії генів.

Одна із загадок навколо машинного навчання полягає в тому, що зараз неможливо побачити, як штучна нейронна мережа досягає свого кінцевого результату. Можна побачити лише інформацію, яка надходить, і інформацію, яка виробляється, але все, що відбувається між ними, складається з кількох шарів математично обробленої інформації. Цю внутрішню роботу штучної нейронної мережі ще неможливо розшифрувати. Вчені хотіли дізнатися, чи є схожість між конструкціями нейронної мережі та звичними біологічними мережами. 

Майк Густафссон є старшим викладачем IFM і очолює дослідження. 

«Коли ми проаналізували нашу нейронну мережу, виявилося, що перший прихований шар представляє значною мірою взаємодії між різними білками. Глибше в моделі, навпаки, на третьому рівні ми знайшли групи різних типів клітин. Надзвичайно цікаво, що цей тип біологічно релевантного групування створюється автоматично, враховуючи, що наша мережа почалася з некласифікованих даних про експресію генів», — говорить Густафссон.

Тоді вчені хотіли знати, чи їх модель експресії генів можна використовувати для визначення того, які моделі експресії генів пов’язані із захворюванням, а які є нормальними. Вони змогли підтвердити, що модель може виявити відносні закономірності, які узгоджуються з біологічними механізмами в організмі. Ще одне відкриття полягало в тому, що штучна нейронна мережа могла виявити абсолютно нові закономірності, оскільки її навчали на несекретних даних. Тепер дослідники досліджуватимуть раніше невідомі закономірності та їх актуальність у біології. 

«Ми вважаємо, що ключем до прогресу в цій галузі є розуміння нейронної мережі. Це може навчити нас новим речам про біологічні контексти, такі як хвороби, у яких взаємодіють багато факторів. І ми віримо, що наш метод дає моделі, які легше узагальнити і які можна використовувати для багатьох різних типів біологічної інформації», — каже Густафссон.

Завдяки співпраці з медичними дослідниками Густафссон сподівається застосувати цей метод у прецизійній медицині. Це може допомогти визначити, які конкретні типи ліків повинні отримувати пацієнти.

Дослідження було підтримано Шведським фондом стратегічних досліджень (SSF) і Шведською дослідницькою радою.