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)與疾病相關的基因組。林雪平大學研究人員領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。科學家希望該方法最終可以應用于精密醫(yī)學和個性化治療。

使用社交媒體時，該平臺通常會建議您可能想要添加為朋友的人。該建議基于您和其他具有共同聯(lián)系的人，這表明您可能彼此認識?？茖W家以類似的方式根據(jù)不同蛋白質(zhì)或基因如何相互作用來繪制生物網(wǎng)絡圖。一項新研究背后的研究人員已經(jīng)使用人工智能AI來研究是否有可能通過深度學習發(fā)現(xiàn)生物網(wǎng)絡，其中的實體稱為“人工神經(jīng)網(wǎng)絡”。”由實驗數(shù)據(jù)訓練而成。由于人工神經(jīng)網(wǎng)絡擅長學習如何在大量復雜數(shù)據(jù)中查找模式，因此它們被用于圖像識別等應用中。但是，迄今為止，這種機器學習方法仍很少用于生物學研究。

“我們第一次使用深度學習來發(fā)現(xiàn)與疾病相關的基因。這是一種用于分析大量生物信息或大數(shù)據(jù)的非常有效的方法，”物理，化學系博士后Sanjiv Dwivedi說。林雪平大學生物與生物學(IFM)。

科學家使用了一個大型數(shù)據(jù)庫，其中包含有關許多人中20,000個基因的表達模式的信息。從某種意義上講，研究人員沒有提供人工神經(jīng)網(wǎng)絡信息，即有關哪些基因表達模式來自疾病患者以及哪些來自健康人群的信息，因此該信息是“未分類的”。然后訓練AI模型以發(fā)現(xiàn)基因表達模式。

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)絡如何解決任務。有時將AI稱為“黑匣子”，我們只能看到放入該框的信息及其產(chǎn)生的結果。我們看不到它們之間的步驟。人工神經(jīng)網(wǎng)絡由幾層組成，其中對信息進行數(shù)學處理。該網(wǎng)絡包括輸入層和輸出層，該輸入層和輸出層傳遞由系統(tǒng)執(zhí)行的信息處理的結果。在這兩層之間是幾個隱藏層，在其中進行計算。當科學家們訓練了人工神經(jīng)網(wǎng)絡時，他們想知道是否有可能以某種方式抬起黑匣子的蓋子，并理解它是如何工作的。生物網(wǎng)絡相似嗎?

“當我們分析神經(jīng)網(wǎng)絡時，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。相比之下，在模型的更深層的第三層，我們發(fā)現(xiàn)了不同細胞類型的組。這非常有趣鑒于我們的網(wǎng)絡已經(jīng)從未分類的基因表達數(shù)據(jù)開始，這種類型的生物學相關分組是自動產(chǎn)生的，” IFM高級講師兼研究負責人Mika Gustafsson說。

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有關，哪些與疾病有關。他們確認該模型發(fā)現(xiàn)了與人體生物學機制相吻合的相關模式。由于該模型是使用未分類的數(shù)據(jù)訓練的，因此人工神經(jīng)網(wǎng)絡可能已經(jīng)找到了全新的模式。研究人員現(xiàn)在計劃從生物學的角度研究這種先前未知的模式是否相關。

“我們認為該領域取得進展的關鍵是了解神經(jīng)網(wǎng)絡。這可以教會我們有關生物學環(huán)境的新知識，例如許多因素相互作用的疾病。而且我們認為我們的方法所提供的模型更易于推廣而且可以用于許多不同類型的生物學信息。” Mika Gustafsson說。

米卡·古斯塔夫森(Mika Gustafsson)希望與醫(yī)學研究人員的緊密合作將使他能夠?qū)⒀芯恐虚_發(fā)的方法應用于精密醫(yī)學。例如，可以確定哪些患者組應接受某種類型的藥物，或者確定受影響最嚴重的患者。