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, стоящие за новым исследованием, использовали искусственный интеллект , ИИ, чтобы выяснить, возможно ли обнаружить биологические сети, используя глубокое обучение , 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. Однако этот метод машинного обучения до сих пор редко использовался в биологических исследованиях. исследование.
«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, химии. 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 ту информацию, которую мы поместили в коробку, и результат, который он дает. 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 поднять крышку черного ящика, образно говоря, и понять, как она работает.биологические сети похожи?
«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.
