Искусственная нейронная сеть может выявить закономерности в огромных количествах данных по экспрессии генов и обнаружить группы генов, связанных с болезнью. Это было продемонстрировано в новом исследовании, проведенном исследователями из Университета Линчёпинга, опубликованном в журнале Nature Communications . Ученые надеются, что этот метод в конечном итоге может быть применен в точной медицине и индивидуальном лечении.
Обычно при использовании социальных сетей платформа предлагает людей, которых вы, возможно, захотите добавить в друзья. Предложение основано на том, что вы и другой человек общаетесь, что указывает на то, что вы можете знать друг друга. Аналогичным образом ученые создают карты биологических сетей на основе того, как различные белки или гены взаимодействуют друг с другом. Исследователи нового исследования использовали искусственный интеллект, ИИ, чтобы выяснить, возможно ли обнаружить биологические сети с использованием глубокого обучения, в котором объекты, известные как «искусственные нейронные сети», обучаются на основе экспериментальных данных. Поскольку искусственные нейронные сети превосходно учатся распознавать шаблоны в огромных объемах сложных данных, они используются в таких приложениях, как распознавание изображений. Тем не мение,
«Мы впервые применили глубокое обучение для поиска генов, связанных с болезнями. Это очень мощный метод анализа огромных объемов биологической информации или« больших данных », - говорит Санджив Двиведи, постдок факультета физики. , Химия и биология (IFM) в университете Линчёпинга.
Ученые использовали большую базу данных с информацией о паттернах экспрессии 20 000 генов у большого числа людей. Информация была «несортированной» в том смысле, что исследователи не предоставили искусственной нейронной сети информацию о том, какие паттерны экспрессии генов были у людей с заболеваниями, а какие - у здоровых людей. Затем модель AI была обучена поиску паттернов экспрессии генов.
Одна из проблем машинного обучения заключается в том, что невозможно точно увидеть, как искусственная нейронная сеть решает задачу. ИИ иногда называют «черным ящиком» - мы видим только информацию, которую мы помещаем в коробку, и результат, который он производит. Мы не можем видеть шаги между. Искусственные нейронные сети состоят из нескольких слоев, в которых информация математически обрабатывается. Сеть содержит входной уровень и выходной уровень, который доставляет результат обработки информации, выполненной системой. Между этими двумя слоями находятся несколько скрытых слоев, в которых выполняются вычисления. Когда ученые обучили искусственную нейронную сеть, они задавались вопросом, можно ли, если можно так выразиться, поднять крышку черного ящика и понять, как он работает.
«Когда мы проанализировали нашу нейронную сеть, оказалось, что первый скрытый слой в значительной степени представляет взаимодействия между различными белками. Более глубокие в модели, напротив, на третьем уровне, мы обнаружили группы разных типов клеток. Это чрезвычайно интересно что этот тип биологически релевантной группировки создается автоматически, учитывая, что наша сеть началась с несекретных данных по экспрессии генов », - говорит Мика Густафссон, старший преподаватель IFM и руководитель исследования.
Затем ученые исследовали, можно ли использовать их модель экспрессии генов, чтобы определить, какие паттерны экспрессии генов связаны с заболеванием, а какие - нормальные. Они подтвердили, что модель находит соответствующие паттерны, которые хорошо согласуются с биологическими механизмами в организме. Поскольку модель была обучена с использованием несекретных данных, возможно, что искусственная нейронная сеть нашла совершенно новые закономерности. Теперь исследователи планируют выяснить, актуальны ли такие ранее неизвестные модели с биологической точки зрения.
«Мы считаем, что ключом к прогрессу в этой области является понимание нейронной сети. Это может научить нас новым вещам о биологических контекстах, таких как болезни, в которых взаимодействуют многие факторы. И мы считаем, что наш метод дает модели, которые легче обобщать и это может быть использовано для многих видов биологической информации », - говорит Мика Густафссон.
Мика Густафссон надеется, что тесное сотрудничество с медицинскими исследователями позволит ему применить метод, разработанный в исследовании точной медицины. Например, может быть возможно определить, какие группы пациентов должны получать лекарства определенного типа, или определить пациентов, которые пострадали наиболее серьезно.
Исследование получило финансовую поддержку от Шведского фонда стратегических исследований (SSF) и Шведского исследовательского совета.
