Een kunstmatig neuraal netwerk kan patronen onthullen in enorme hoeveelheden genexpressiegegevens en groepen ziektegerelateerde genen ontdekken. Dat blijkt uit een nieuwe studie onder leiding van onderzoekers van de Universiteit van Linköping, gepubliceerd in Natuurcommunicatie . De wetenschappers hopen dat de methode uiteindelijk kan worden toegepast binnen precisiegeneeskunde en geïndividualiseerde behandeling.

Het is gebruikelijk bij het gebruik van sociale media dat het platform mensen voorstelt die je misschien als vrienden wilt toevoegen. De suggestie is gebaseerd op u en de andere persoon die gemeenschappelijke contacten hebben, wat aangeeft dat je elkaar misschien kent. Op een vergelijkbare manier, wetenschappers maken kaarten van biologische netwerken op basis van hoe verschillende eiwitten of genen met elkaar omgaan. De onderzoekers achter een nieuwe studie hebben kunstmatige intelligentie gebruikt, AI, onderzoeken of het mogelijk is biologische netwerken te ontdekken met behulp van deep learning, waarin entiteiten die bekend staan ​​als "kunstmatige neurale netwerken" worden getraind door experimentele gegevens. Omdat kunstmatige neurale netwerken uitstekend zijn in het leren vinden van patronen in enorme hoeveelheden complexe gegevens, ze worden gebruikt in toepassingen zoals beeldherkenning. Echter, deze machinale leermethode is tot nu toe zelden gebruikt in biologisch onderzoek.

"We hebben voor het eerst deep learning gebruikt om ziektegerelateerde genen te vinden. Dit is een zeer krachtige methode bij de analyse van enorme hoeveelheden biologische informatie, of grote gegevens, " zegt Sanjiv Dwivedi, postdoc bij de faculteit Natuurkunde, Chemie en Biologie (IFM) aan de Universiteit van Linköping.

De wetenschappers gebruikten een grote database met informatie over de expressiepatronen van 20, 000 genen in een groot aantal mensen. De informatie was "ongesorteerd, " in de zin dat de onderzoekers het kunstmatige neurale netwerk geen informatie gaven over welke genexpressiepatronen waren van mensen met ziekten, en die van gezonde mensen waren. Het AI-model werd vervolgens getraind om patronen van genexpressie te vinden.

Een van de uitdagingen van machine learning is dat het niet mogelijk is om precies te zien hoe een kunstmatig neuraal netwerk een taak oplost. AI wordt soms omschreven als een 'zwarte doos':we zien alleen de informatie die we in de doos stoppen en het resultaat dat het oplevert. We kunnen de stappen ertussen niet zien. Kunstmatige neurale netwerken bestaan ​​uit meerdere lagen waarin informatie wiskundig wordt verwerkt. Het netwerk bestaat uit een invoerlaag en een uitvoerlaag die het resultaat levert van de informatieverwerking die door het systeem wordt uitgevoerd. Tussen deze twee lagen zijn verschillende verborgen lagen waarin berekeningen worden uitgevoerd. Toen de wetenschappers het kunstmatige neurale netwerk hadden getraind, ze vroegen zich af of het mogelijk was om het deksel van de zwarte doos op te tillen, bij wijze van spreken, en begrijpen hoe het werkt. Zijn de ontwerpen van het neurale netwerk en de bekende biologische netwerken vergelijkbaar?

"Toen we ons neurale netwerk analyseerden, het bleek dat de eerste verborgen laag voor een groot deel interacties tussen verschillende eiwitten vertegenwoordigde. Dieper in het model, in tegenstelling tot, op het derde niveau, we vonden groepen van verschillende celtypes. Het is buitengewoon interessant dat dit soort biologisch relevante groepering automatisch wordt geproduceerd, aangezien ons netwerk is uitgegaan van niet-geclassificeerde genexpressiegegevens, " zegt Mika Gustafsson, hoofddocent bij IFM en leider van de studie.

De wetenschappers onderzochten vervolgens of hun model van genexpressie kon worden gebruikt om te bepalen welke genexpressiepatronen geassocieerd zijn met ziekte en welke normaal is. Ze bevestigden dat het model relevante patronen vindt die goed overeenkomen met biologische mechanismen in het lichaam. Aangezien het model is getraind met behulp van niet-geclassificeerde gegevens, het is mogelijk dat het kunstmatige neurale netwerk totaal nieuwe patronen heeft gevonden. De onderzoekers zijn nu van plan om te onderzoeken of dergelijke, voorheen onbekende patronen, zijn relevant vanuit een biologisch perspectief.

"Wij geloven dat de sleutel tot vooruitgang in het veld is om het neurale netwerk te begrijpen. Dit kan ons nieuwe dingen leren over biologische contexten, zoals ziekten waarbij veel factoren op elkaar inwerken. En we geloven dat onze methode modellen geeft die gemakkelijker te generaliseren zijn en die voor veel verschillende soorten biologische informatie kunnen worden gebruikt. ", zegt Mika Gustafsson.

Mika Gustafsson hoopt dat hij door nauwe samenwerking met medische onderzoekers de in het onderzoek ontwikkelde methode kan toepassen in precisiegeneeskunde. Het kan mogelijk zijn, bijvoorbeeld, om te bepalen welke groepen patiënten een bepaald type geneesmiddel moeten krijgen, of identificeren van de patiënten die het zwaarst getroffen zijn.