Нейронная сеть исследует гигантский массив данных по микробам кишечника, чтобы дать информацию о здоровье.
Учёные обратились к помощи передового ИИ чтобы расшифровать сложную экосистему бактерий кишечника и их химических сигналов. Используя байесовскую нейронную сеть под названием VBayesMM, исследователи теперь могут идентифицировать настоящие биологические связи, а не случайные корреляции. Система уже превзошла традиционные модели в исследованиях по ожирению, расстройствам сна и раку.
Бактерии кишечника играют ключевую роль в здоровье человека, влияя на всё, от пищеварения до иммунитета и настроения. И всё же сложность микробиома ошеломляет. Одно только количество видов бактерий и их связей с химией человеческого организма мешало учёным полностью понять их воздействие. Сделав революционный шаг вперёд, учёные из Токийского университета применили вид ИИ под названием байесовская нейронная сеть для изучения кишечных бактерий. Их целью было открыть связи, которые часто упускаются из вида традиционными методами анализа данных.
Хотя в человеческом организме содержится около 30-40 триллионов человеческих клеток, в одном только кишечнике присутствует около 100 триллионов клеток бактерий. Иными словами, мы переносим больше клеток бактерий, чем своих собственных. Эти микробы не просто участвуют в пищеварении; они также вырабатывают и модифицируют тысячи соединений, именуемых метаболитами. Эти небольшие молекулы выступают в роли химических связных, циркулирующих в организме и влияющих на метаболизм, иммунитет и даже функцию мозга. Понимание того, каким образом специфические бактерии вырабатывают отдельные метаболиты, может открыть новые пути к поддержанию всеобщего здоровья.
Карта микробной головоломки
«Проблема состоит в том, что мы лишь начинаем понимать, какие бактерии продуцируют какие человеческие метаболиты и как эти взаимоотношения меняются при различных болезнях, — объясняет проектный исследователь Тун Дан из лаборатории Цунода департамента биологических наук. — Составив точную карту этих бактерио-химических взаимоотношений, мы потенциально могли бы разрабатывать персонализированные лекарства. Представьте себе, что вы можете выращивать конкретную бактерию, вырабатывающую полезные человеческие метаболиты, или разрабатывать целенаправленное лекарство, способное модифицировать эти метаболиты для лечения болезней».
Основная проблема кроется в самом масштабе данных. Учитывая то, что несметное количество бактерий и метаболитов взаимодействуют сложным образом, установление внятных закономерностей крайне затруднено. Чтобы справиться с этой проблемой, Дан и его группа обратились за помощью передовых методов искусственного интеллекта (ИИ).
В их системе под названием VBayesMM используется байесовский подход к определению групп бактерий, серьёзно влияющих на конкретные метаболиты. Она также измеряет неопределённость своих прогнозов, помогая предотвратить чрезмерно уверенные, но неверные выводы. «Мы испытывали систему на реальных данных исследований по нарушениям сна, ожирению и раку, и наш подход уверенно превосходил существующие методы и идентифицировал специфические семейства бактерий, сопутствующие известным биологическим процессам, — говорит Дан. — [Это вселяет] уверенность, что она открывает реальные биологические взаимосвязи, а не бессмысленные статистические модели».
Понимание достоинств и ограничений системы
Поскольку VBayesMM может распознавать неопределённости и сообщать о них, она обеспечивает исследователей более надёжными данными, чем предшествующие инструменты. Хотя она оптимизирована под масштабные данные, анализ массивных микробиомных датасетов остаётся требовательным к вычислительным мощностям. Однако, с течением времени эти затраты снизятся с ростом вычислительных мощностей. Кроме того, система наиболее результативна, когда присутствуют обширные данные по бактериям по сравнению с данными по метаболитам; в противном случае точность снижается. Ещё одно ограничение состоит в том, что VBayesMM рассматривает бактерий как отдельных действующих лиц, хотя они часто взаимодействуют в составе сложных, взаимозависимых сетей.
«Мы планируем работать с более всеобъемлющими химическими датасетами, охватывающими полный спектр бактериальных продуктов, хотя это создаёт новые препятствия в определении того, являются ли источником химических соединений бактерии, организм человека или внешние источники, например диета, — говорит Дан. — Мы также намерены сделать VBayesMM более устойчивой при анализе различных популяций пациентов, включив бактериальные взаимодействия «родового древа», чтобы давать улучшенный прогноз, и ещё больше уменьшать время вычислений, необходимых для анализа. В плане клинического применения, главной целью является идентификация специфических бактериальных мишеней для лечения или пищевых вмешательств, которые могут действительно помочь пациентам, продвигаясь от базовых исследований к практическому медицинскому применению».
Используя ИИ для навигации по огромнейшему и запутаннейшему миру кишечных микробов, исследователи приближаются к открытию потенциала микробиома для трансформации персонализированной медицины.
Перевод — Андрей Прокипчук, «XX2 ВЕК». Источники.
Материалы предоставлены Токийским университетом.
Вам также может быть интересно: