人工智能發(fā)現(xiàn)疾病相關(guān)基因

人工神經(jīng)網(wǎng)絡(luò)可以揭示大量基因表達(dá)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(xué)的研究人員領(lǐng)導(dǎo)的一項(xiàng)新研究表明了這一點(diǎn)，該研究發(fā)表在《自然通訊》上。 科學(xué)家們希望該方法最終能應(yīng)用于精密醫(yī)學(xué)和個(gè)體化治療中。

當(dāng)使用社交媒體時(shí)，平臺(tái)建議你可能想添加的人作為朋友是很常見(jiàn)的。 這個(gè)建議是基于你和另一個(gè)有共同聯(lián)系的人，這表明你可能認(rèn)識(shí)對(duì)方。 以類(lèi)似的方式，科學(xué)家們正在根據(jù)不同的蛋白質(zhì)或基因如何相互作用來(lái)繪制生物網(wǎng)絡(luò)地圖。 一項(xiàng)新研究的背后的研究人員使用人工智能人工智能來(lái)研究是否有可能利用深度學(xué)習(xí)來(lái)發(fā)現(xiàn)生物網(wǎng)絡(luò)，其中被稱(chēng)為“人工神經(jīng)網(wǎng)絡(luò)”的實(shí)體是通過(guò)實(shí)驗(yàn)數(shù)據(jù)來(lái)訓(xùn)練的。 由于人工神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)如何在大量復(fù)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(shí)別等應(yīng)用。 然而，這種機(jī)器學(xué)習(xí)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(xué)習(xí)來(lái)尋找與疾病相關(guān)的基因。 林克平大學(xué)物理、化學(xué)和生物學(xué)系博士后SanjivDwivedi說(shuō)：“這是一種非常強(qiáng)大的方法來(lái)分析大量的生物信息或大數(shù)據(jù)。

科學(xué)家們使用了一個(gè)大型數(shù)據(jù)庫(kù)，其中包含了大量人中20，000個(gè)基因的表達(dá)模式的信息。 這些信息是“未分類(lèi)的”，也就是說(shuō)，研究人員沒(méi)有給出人工神經(jīng)網(wǎng)絡(luò)信息，說(shuō)明哪些基因表達(dá)模式來(lái)自患有疾病的人，哪些來(lái)自健康的人。 然后對(duì)人工智能模型進(jìn)行訓(xùn)練，以找到基因表達(dá)的模式。

機(jī)器學(xué)習(xí)的挑戰(zhàn)之一是不可能確切地看到人工神經(jīng)網(wǎng)絡(luò)是如何解決一項(xiàng)任務(wù)的。 人工智能有時(shí)被描述為一個(gè)“黑匣子”-我們只看到我們放進(jìn)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(luò)由幾層組成，其中信息是數(shù)學(xué)處理的。 網(wǎng)絡(luò)包括輸入層和輸出層，輸出層提供系統(tǒng)進(jìn)行的信息處理的結(jié)果。 在這兩層之間是進(jìn)行計(jì)算的幾個(gè)隱藏層。 當(dāng)科學(xué)家們訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)時(shí)，他們想知道是否有可能以一種說(shuō)話的方式揭開(kāi)黑匣子的蓋子，并了解它是如何工作的。 神經(jīng)網(wǎng)絡(luò)和熟悉的生物網(wǎng)絡(luò)的設(shè)計(jì)是否相似？

當(dāng)我們分析我們的神經(jīng)網(wǎng)絡(luò)時(shí)，發(fā)現(xiàn)第一個(gè)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(gè)層次上，我們發(fā)現(xiàn)了不同細(xì)胞類(lèi)型的組。 這是非常有趣的，這種類(lèi)型的生物相關(guān)分組是自動(dòng)產(chǎn)生的，因?yàn)槲覀兊木W(wǎng)絡(luò)已經(jīng)從未分類(lèi)的基因表達(dá)數(shù)據(jù)開(kāi)始，”MikaGustafsson說(shuō)，IFM的高級(jí)講師和研究負(fù)責(zé)人。

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

“我們認(rèn)為，該領(lǐng)域取得進(jìn)展的關(guān)鍵是了解神經(jīng)網(wǎng)絡(luò)。 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(rèn)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(lèi)型的生物信息，“Mika Gustafsson說(shuō)。

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