人工神經(jīng)網(wǎng)絡(luò)揭示了大量基因表達(dá)數(shù)據(jù)中的模式，并發(fā)現(xiàn)了與疾病相關(guān)的基因。來自瑞典林雪平大學(xué)的開發(fā)人員希望該方法最終可以應(yīng)用于精密醫(yī)學(xué)和個性化治療。

科學(xué)家根據(jù)不同蛋白質(zhì)或基因如何相互作用來繪制生物系統(tǒng)圖。他們使用人工智能(AI)，研究了是否有可能通過深度學(xué)習(xí)發(fā)現(xiàn)生物網(wǎng)絡(luò)，其中通過實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練稱為神經(jīng)網(wǎng)絡(luò)的實(shí)體。

“我們第一次使用深度學(xué)習(xí)來發(fā)現(xiàn)與疾病相關(guān)的基因。這是分析大量生物信息或“大數(shù)據(jù)”的一種非常有效的方法，”林雪平大學(xué)物理，化學(xué)和生物學(xué)系(IFM)的Sanjiv Dwivedi說。

科學(xué)家使用了一個大型數(shù)據(jù)庫，其中包含有關(guān)許多人中20,000個基因的表達(dá)模式的信息。這些信息是“未分類的”，因?yàn)檠芯咳藛T沒有提供人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)，即哪些基因表達(dá)模式來自疾病患者，哪些來自健康人。然后訓(xùn)練AI模型以發(fā)現(xiàn)基因表達(dá)模式。

人工神經(jīng)網(wǎng)絡(luò)由幾層組成，其中對信息進(jìn)行數(shù)學(xué)處理。該系統(tǒng)包括傳遞信息處理結(jié)果的輸入層和輸出層。在這兩層之間是幾個隱藏層，在其中進(jìn)行計算。當(dāng)科學(xué)家訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)時，他們想知道是否有可能確切了解其工作原理。

“當(dāng)我們分析神經(jīng)網(wǎng)絡(luò)時，結(jié)果發(fā)現(xiàn)第一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。相反，在模型的更深層，在第三層，我們發(fā)現(xiàn)了不同細(xì)胞類型的組。鑒于我們的網(wǎng)絡(luò)是從未分類的基因表達(dá)數(shù)據(jù)開始的，這種與生物學(xué)相關(guān)的分組是自動產(chǎn)生的，這非常有趣。” IFM高級講師兼研究負(fù)責(zé)人Mika Gustafsson說。

然后，科學(xué)家們研究了他們的基因表達(dá)模型是否可以用來確定哪些基因表達(dá)模式與疾病有關(guān)，哪些與健康有關(guān)。他們證實(shí)，該模型找到了可驗(yàn)證人體生物學(xué)機(jī)制的相關(guān)模式。由于該模型是使用未分類的數(shù)據(jù)訓(xùn)練的，因此人工神經(jīng)網(wǎng)絡(luò)可能已經(jīng)找到了全新的模式。研究人員現(xiàn)在計劃從生物學(xué)的角度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)。這可以教會我們有關(guān)生物學(xué)環(huán)境的新知識，例如許多因素相互作用的疾病。我們相信，我們的方法所提供的模型更易于推廣，可用于許多不同類型的生物學(xué)信息。” Gustafsson說。