Künstliche Intelligenz findet krankheitsbezogene Gene

Kredit: CC0 Public Domain

Ein künstliches neuronales Netzwerk kann Muster in riesigen Mengen von Genexpressionsdaten aufdecken und Gruppen von krankheitsbezogenen Genen entdecken. Dies hat eine neue Studie unter der Leitung von Forschern der Universität Link枚ping gezeigt, die in . veröffentlicht wurde Naturkommunikation. Die Wissenschaftler hoffen, dass die Methode irgendwann in der Präzisionsmedizin und in der individualisierten Behandlung angewendet werden kann.

Bei der Nutzung sozialer Medien ist es üblich, dass die Plattform Personen vorschlägt, die Sie möglicherweise als Freunde hinzufügen möchten. Der Vorschlag basiert darauf, dass Sie und die andere Person gemeinsame Kontakte haben, was darauf hindeutet, dass Sie sich möglicherweise kennen. Auf ähnliche Weise erstellen Wissenschaftler Karten biologischer Netzwerke, die darauf basieren, wie verschiedene Proteine ​​oder Gene miteinander interagieren. Die Forscher hinter einer neuen Studie haben mit künstlicher Intelligenz, KI, untersucht, ob es möglich ist, biologische Netzwerke mit Deep Learning zu entdecken, bei denen als “künstliche neuronale Netzwerke” bekannte Einheiten mit experimentellen Daten trainiert werden. Da künstliche neuronale Netze hervorragend lernen, Muster in enormen Mengen komplexer Daten zu finden, werden sie beispielsweise in der Bilderkennung eingesetzt. Diese Methode des maschinellen Lernens wurde jedoch in der biologischen Forschung bisher selten eingesetzt.

„Wir haben zum ersten Mal Deep Learning eingesetzt, um krankheitsbezogene Gene zu finden. Dies ist eine sehr leistungsfähige Methode bei der Analyse riesiger Mengen biologischer Informationen oder Big Data“, sagt Sanjiv Dwivedi, Postdoc am Department of Physics, Chemistry und Biologie (IFM) an der Universität Link枚ping.

Die Wissenschaftler nutzten eine große Datenbank mit Informationen über die Expressionsmuster von 20.000 Genen bei einer großen Zahl von Menschen. Die Informationen waren “unsortiert”, in dem Sinne, dass die Forscher dem künstlichen neuronalen Netzwerk keine Informationen darüber gaben, welche Genexpressionsmuster von Menschen mit Krankheiten stammten und welche von gesunden Menschen. Das KI-Modell wurde dann trainiert, um Muster der Genexpression zu finden.

Eine der Herausforderungen des maschinellen Lernens besteht darin, dass man nicht genau sehen kann, wie ein künstliches neuronales Netz eine Aufgabe löst. KI wird manchmal als “Black Box” bezeichnet, d. h. sehen Sie nur die Informationen, die wir in die Box eingeben und das Ergebnis, das sie produziert. Wir können die Schritte dazwischen nicht sehen. Künstliche neuronale Netze bestehen aus mehreren Schichten, in denen Informationen mathematisch verarbeitet werden. Das Netzwerk umfasst eine Eingabeschicht und eine Ausgabeschicht, die das Ergebnis der vom System durchgeführten Informationsverarbeitung liefert. Zwischen diesen beiden Schichten liegen mehrere versteckte Schichten, in denen Berechnungen durchgeführt werden. Als die Wissenschaftler das künstliche neuronale Netz trainiert hatten, fragten sie sich, ob es möglich sei, den Deckel der Blackbox gewissermaßen anzuheben und zu verstehen, wie es funktioniert. Sind die Designs des neuronalen Netzes und der bekannten biologischen Netze ähnlich?

„Bei der Analyse unseres neuronalen Netzes stellte sich heraus, dass die erste verborgene Schicht weitgehend Interaktionen zwischen verschiedenen Proteinen darstellt. Tiefer im Modell hingegen fanden wir auf der dritten Ebene Gruppen unterschiedlicher Zelltypen. Das ist hochinteressant dass diese Art von biologisch relevanter Gruppierung automatisch erstellt wird, da unser Netzwerk von nicht klassifizierten Genexpressionsdaten ausgegangen ist”, sagt Mika Gustafsson, Senior Lecturer am IFM und Leiter der Studie.

Die Wissenschaftler untersuchten dann, ob ihr Modell der Genexpression verwendet werden könnte, um zu bestimmen, welche Genexpressionsmuster mit einer Krankheit assoziiert sind und welche normal sind. Sie bestätigten, dass das Modell relevante Muster findet, die gut mit biologischen Mechanismen im Körper übereinstimmen. Da das Modell mit unklassifizierten Daten trainiert wurde, ist es möglich, dass das künstliche neuronale Netz ganz neue Muster gefunden hat. Die Forscher wollen nun untersuchen, ob solche bisher unbekannten Muster aus biologischer Sicht relevant sind.

„Wir glauben, dass der Schlüssel zum Fortschritt auf diesem Gebiet darin besteht, das neuronale Netz zu verstehen. Dadurch können wir neue Dinge über biologische Zusammenhänge lernen, beispielsweise über Krankheiten, bei denen viele Faktoren zusammenwirken. Und wir glauben, dass unsere Methode einfacher zu verallgemeinernde Modelle liefert.“ und das kann für viele verschiedene Arten von biologischen Informationen verwendet werden”, sagt Mika Gustafsson.

Von einer engen Zusammenarbeit mit medizinischen Forschern erhofft sich Mika Gustafsson, die in der Studie entwickelte Methode in der Präzisionsmedizin anzuwenden. So kann beispielsweise festgelegt werden, welche Patientengruppen ein bestimmtes Arzneimittel erhalten sollen, oder die am stärksten betroffenen Patienten identifiziert werden.


Leave a Comment