人工智能發(fā)現(xiàn)疾病相關(guān)基因

人工神經(jīng)網(wǎng)絡可以揭示大量基因表達數(shù)據(jù)中的模式，并發(fā)現(xiàn)與疾病相關(guān)的基因群體。 由林克平大學的研究人員領(lǐng)導的一項新研究表明了這一點，該研究發(fā)表在《自然通訊》上。 科學家們希望該方法最終能應用于精密醫(yī)學和個體化治療中。

當使用社交媒體時，平臺建議你可能想添加的人作為朋友是很常見的。 這個建議是基于你和另一個有共同聯(lián)系的人，這表明你可能認識對方。 以類似的方式，科學家們正在根據(jù)不同的蛋白質(zhì)或基因如何相互作用來繪制生物網(wǎng)絡地圖。 一項新研究的背后的研究人員使用人工智能人工智能來研究是否有可能利用深度學習來發(fā)現(xiàn)生物網(wǎng)絡，其中被稱為“人工神經(jīng)網(wǎng)絡”的實體是通過實驗數(shù)據(jù)來訓練的。 由于人工神經(jīng)網(wǎng)絡在學習如何在大量復雜數(shù)據(jù)中找到模式方面非常出色，因此它們被用于圖像識別等應用。 然而，這種機器學習方法到目前為止很少用于生物研究。

“我們第一次使用深度學習來尋找與疾病相關(guān)的基因。 林克平大學物理、化學和生物學系博士后SanjivDwivedi說：“這是一種非常強大的方法來分析大量的生物信息或大數(shù)據(jù)。

科學家們使用了一個大型數(shù)據(jù)庫，其中包含了大量人中20，000個基因的表達模式的信息。 這些信息是“未分類的”，也就是說，研究人員沒有給出人工神經(jīng)網(wǎng)絡信息，說明哪些基因表達模式來自患有疾病的人，哪些來自健康的人。 然后對人工智能模型進行訓練，以找到基因表達的模式。

機器學習的挑戰(zhàn)之一是不可能確切地看到人工神經(jīng)網(wǎng)絡是如何解決一項任務的。 人工智能有時被描述為一個“黑匣子”-我們只看到我們放進盒子里的信息和它產(chǎn)生的結(jié)果。 我們看不到兩者之間的步驟。 人工神經(jīng)網(wǎng)絡由幾層組成，其中信息是數(shù)學處理的。 網(wǎng)絡包括輸入層和輸出層，輸出層提供系統(tǒng)進行的信息處理的結(jié)果。 在這兩層之間是進行計算的幾個隱藏層。 當科學家們訓練人工神經(jīng)網(wǎng)絡時，他們想知道是否有可能以一種說話的方式揭開黑匣子的蓋子，并了解它是如何工作的。 神經(jīng)網(wǎng)絡和熟悉的生物網(wǎng)絡的設(shè)計是否相似？

當我們分析我們的神經(jīng)網(wǎng)絡時，發(fā)現(xiàn)第一個隱藏層在很大程度上代表了各種蛋白質(zhì)之間的相互作用。 在模型中更深，相反，在第三個層次上，我們發(fā)現(xiàn)了不同細胞類型的組。 這是非常有趣的，這種類型的生物相關(guān)分組是自動產(chǎn)生的，因為我們的網(wǎng)絡已經(jīng)從未分類的基因表達數(shù)據(jù)開始，”MikaGustafsson說，IFM的高級講師和研究負責人。

然后，科學家們研究了他們的基因表達模型是否可以用來確定哪些基因表達模式與疾病相關(guān)，哪些是正常的。 他們證實，該模型發(fā)現(xiàn)了與體內(nèi)生物機制很好地吻合的相關(guān)模式。 由于模型是使用未分類數(shù)據(jù)進行訓練的，因此人工神經(jīng)網(wǎng)絡有可能找到全新的模式。 研究人員現(xiàn)在計劃從生物學的角度來研究這種先前未知的模式是否相關(guān)。

“我們認為，該領(lǐng)域取得進展的關(guān)鍵是了解神經(jīng)網(wǎng)絡。 這可以教我們關(guān)于生物背景的新東西，比如許多因素相互作用的疾病。 我們認為，我們的方法提供了更容易概括的模型，可以用于許多不同類型的生物信息，“Mika Gustafsson說。

Mika Gustafsson希望，與醫(yī)學研究人員的密切合作將使他能夠?qū)⒀芯恐虚_發(fā)的方法應用于精確醫(yī)學。 例如，可以確定哪一組患者應接受某種類型的藥物，或確定受影響最嚴重的患者。