Yapay bir sinir ağı, büyük miktarlarda gen ekspresyon verilerinde paternleri ortaya çıkarabilir ve hastalıkla ilişkili gen gruplarını keşfedebilir. Bu, Linköping Üniversitesi’nden Nature Communications’da yayınlanan araştırmacılar tarafından yürütülen yeni bir çalışma ile gösterilmiştir. Bilim adamları, yöntemin sonunda hassas tıp ve bireysel tedavi içinde uygulanabileceğini umuyor.
Örneğin sosyal medyayı kullanırken, platformun arkadaş olarak eklemek isteyebileceğiniz kişilere önermesi yaygındır. Öneri, sizin ve ortak kişileriniz olduğu diğer kişiyi temel alır, bu da birbirinizi tanıyabileceğinizi gösterir. Benzer şekilde, bilim adamları farklı proteinlerin veya genlerin birbirleriyle nasıl etkileşime girdiğine bağlı olarak biyolojik ağların haritalarını oluşturuyorlar. Yeni bir çalışmanın arkasındaki araştırmacılar, “yapay sinir ağları” olarak bilinen varlıkların deneysel verilerle eğitildiği derin öğrenmeyi kullanarak biyolojik ağları keşfetmenin mümkün olup olmadığını araştırmak için yapay zekâ kullandılar. Yapay sinir ağları, muazzam miktarda karmaşık verilerde kalıpların nasıl bulunacağını öğrenmede mükemmel olduğundan, görüntü tanıma gibi uygulamalarda kullanılırlar. Bununla birlikte, bu makine ile öğrenme yöntemi şimdiye kadar biyolojik araştırmalarda nadiren kullanılmıştır.
Fizik Bölümü’nün doktora sonrası Sanjiv Dwivedi, “İlk kez hastalıkla ilgili genleri bulmak için derin öğrenmeyi kullandık. Bu, büyük miktarlarda biyolojik bilginin veya” büyük verilerin “analizinde çok güçlü bir yöntem,” diyor.
Bilim adamları, çok sayıda insanda 20.000 genin ifade desenleri hakkında bilgi içeren geniş bir veritabanı kullandılar. Araştırmacılar, hangi sinir ekspresyon paternlerinin hastalıklı ve sağlıklı insanlardan olduğu hakkında yapay sinir ağı bilgisi vermediği için bilgi “ayrıştırılmamıştır”. Yapay Zeka modeli daha sonra gen ekspresyonu desenleri bulmak için eğitildi.
Makinenin öğrenmesinin zorluklarından biri, yapay bir sinir ağının bir görevi nasıl çözdüğünü tam olarak görmenin mümkün olmamasıdır. AI (yapay zeka) bazen “kara kutu” olarak tanımlanır – yalnızca kutuya koyduğumuz bilgileri ve ürettiği sonucu görürüz. Arasındaki adımları göremiyoruz. Yapay sinir ağları bilginin matematiksel olarak işlendiği birkaç katmandan oluşur. Ağ, bir giriş katmanı ve sistem tarafından gerçekleştirilen bilgi işlemenin sonucunu veren bir çıkış katmanı içerir. Bu iki katman arasında, hesaplamaların yapıldığı birkaç gizli katman vardır. Bilim adamları yapay sinir ağını eğittiklerinde, bir şekilde, kara kutunun kapağını kaldırmanın ve nasıl çalıştığını anlamanın mümkün olup olmadığını merak ettiler. Sinir ağının ve tanıdık biyolojik ağların tasarımları benzer mi?
“Sinir ağımızı analiz ettiğimizde, ilk gizli katmanın çeşitli proteinler arasında büyük ölçüde etkileşimleri temsil ettiği ortaya çıktı. Modelin daha derinlerinde, aksine, üçüncü seviyede, farklı hücre tiplerinde gruplar bulduk. Son derece ilginç. ağımızın sınıflandırılmamış gen ekspresyon verilerinden başladığı göz önüne alındığında, bu tür biyolojik olarak ilgili gruplamanın otomatik olarak üretildiğini söylüyor, “diyor IFM kıdemli eğitmeni ve çalışmanın lideri Mika Gustafsson.
Bilim adamları daha sonra hangi gen ifade modellerinin hastalık ile ilişkili olduğunu ve hangisinin normal olduğunu belirlemek için gen ekspresyon modellerinin kullanılıp kullanılamayacağını araştırdı. Modelin, vücuttaki biyolojik mekanizmalara iyi uyan ilgili kalıplar bulduğunu doğruladılar. Model, sınıflandırılmamış veriler kullanılarak eğitildiğinden, yapay sinir ağının tamamen yeni modeller bulması mümkündür. Araştırmacılar şimdi, daha önce bilinmeyen bu tür modellerin biyolojik açıdan uygun olup olmadığını araştırmayı planlıyorlar.
“Alanda ilerlemenin anahtarının sinir ağını anlamak olduğuna inanıyoruz. Bu bize birçok bağlamda etkileşime giren hastalıklar gibi biyolojik bağlamlar hakkında yeni şeyler öğretebilir. Ve yöntemimizin genelleştirilmesi daha kolay modeller verdiğine inanıyoruz. ve bu birçok farklı biyolojik bilgi türü için kullanılabilir “diyor Mika Gustafsson.
Mika Gustafsson, tıp araştırmacıları ile yakın işbirliğinin, araştırmada geliştirilen yöntemi hassas tıpta uygulamasını mümkün kılacağını umuyor. Örneğin, hangi hasta gruplarının belirli bir tür ilaç alması gerektiğini belirlemek veya en ciddi şekilde etkilenen hastaları tanımlamak mümkün olabilir.
Çalışma, İsveç Stratejik Araştırmalar Vakfı (SSF) ve İsveç Araştırma Konseyi’nden mali destek almıştır.
Kaynak. ScienceDaily
