اگر تا به حال اخبار مربوط به هوش مصنوعی دنبال کرده باشید، می دانید که سیستم هوش مصنوعی پیامدهای اختلال در شبکه های ژنتیکی را پیش بینی می کند. مدل کامپیوتری به محققان کمک می کند تا ارتباطات بین هزاران ژن را درک کنند و مشخص کنند که چگونه این ارتباطات باعث بیماری می شود. در جدیدترین تحقیقات صورت گرفته با استفاده از هوش مصنوعی (Al) مرزهای جدیدی در این حوزه در علوم زیستی گسترش داده اند تا به آن ها کمک کنند تا بفهمند چگونه شبکه های بزرگی از ژن های انسانی به هم پیوسته عملکرد سلول ها را کنترل می کنند.
در کار جدید که در مجله Nature منتشر شده است یک مدل پایه برای درک چگونگی تعامل ژن ها تعریف کرده است. مدل جدید که Geneformer نام دارد می تواند از طیف گسترده ای از بافت های انسانی، مقادیر انبوهی از داده ها در مورد تعاملات ژنی را یاد بگیرد و این دانش را برای پیش بینی در مورد اینکه چگونه ممکن است در بیماری ها اشتباه پیش برود، منتقل می کند. از Geneformer برای بررسی کردن چگونگی خراب شدن سلول های قلب در بیماری های قلبی استفاده می شود. با این حال، این روش می تواند بسیاری از انواع سلول ها و بیماری های دیگر را نیز درمان کند همچنین طبق گفته تیم تحقیقاتی: Geneformer کاربردهای وسیعی در بسیاری از زمینه های زیست شناسی، از جمله کشف اهداف دارویی احتمالی برای بیماری ها دارد. این رویکرد توانایی ما را برای طراحی درمان های اصلاح کننده شبکه در بیماری هایی که در آن ها داده های محدود مانع پیشرفت شده اند، بسیار افزایش می دهد.
تئودوریس محقق مدل Geneformer می گوید: اگر دارویی ژنی را که در شبکه محیطی است هدف قرار دهد؛ ممکن است تأثیر کوچکی بر نحوه ی عملکرد سلول یا مدیریت علائم بیماری داشته باشد. اما با بازگرداندن سطوح طبیعی ژن هایی که نقش اصلی را در شبکه بازی می کنند، می توانید روند بیماری زمینه ای را درمان کنید و تأثیر بسیار بیشتری داشته باشید. به طور معمول، برای نقشه برداری شبکه های ژنی محققان از زیر مجموعه ای از سیستم های هوش مصنوعی به نام پلتفرم های یادگیری ماشینی استفاده می کنند تا الگوهای درون داده ها را به کار گیرند. با این حال، مدل های یادگیری ماشین استاندارد در زیست شناسی فقط برای انجام یک کار واحد آموزش داده می شود. مسئله این است که برای برخی بیماری ها داده های موجود کافی برای آموزش این مدل های یادگیری ماشینی وجود ندارد.
در مطالعه جدید تئودوریس و همکارانشان با استفاده از تکنیک یادگیری ماشینی به نام (یادگیری انتقالی) برای آموزش Geneformer به عنوان یک مدل پایه که دانش اصلی آن می تواند به وظایف جدید منتقل شود با این مشکل مقابله کردند. آن ها Geneformer را از قبل آموزش دادند تا با دادن اطلاعات مربوط به سطح فعالیت ژن ها در حدود 30 میلیون سلول از طیف وسیعی از بافت های انسانی درک اساسی از نحوه تعامل ژن ها داشته باشد. این بدان معناست که Geneformer می تواند برای پیش بینی بیماری هایی که پیشرفت تحقیقات در آن ها کند بوده است، مانند بیماری های نادر و دسترسی به بافت های حساس به نمونه برداری می توان استفاده کرد.
تیم تئودوریس در مرحله بعد شروع به استفاده از یادگیری انتقالی برای پیشبرد اکتشافات بیماری های قلبی کردند. آن ها از Geneformer خواستند پیش بینی کند که کدام ژن ها بر رشد کاردیومیوسیت ها و سلول های عضلانی، قلب اثر مضر خواهند داشت. در میان ژن های برتر شناسایی شده توسط این مدل بسیاری از آن ها قبلاً با بیماری قلبی مرتبط بودند. با این حال سایر بیماری قلبیژن های بالقوه مهم شناسایی شده توسط Geneformer قبلاً با بیماری قلبی مرتبط نبوده اند، مانند ژن TEAD4.
زمانی که محققان TEAD4 را از کاردیومیوسیت ها در آزمایشگاه حذف کردند، سلول ها دیگر قادر به ضربان قوی مانند سلول های سالم نبودند. بنابراین، Geneformer از یادگیری انتقال برای نتیجه گیری جدید استفاده کرد. تئودوریس می گوید در جریان یادگیری اینکه یک شبکه ژنی معمولی چگونه است و یک شبکه ژنی بیمار چگونه است، Geneformer توانست مشخص کند که چه ویژگی هایی را می توان برای جابجایی بین حالت های سالم و بیمار هدف قرار داد. همچنین در ادامه یکی از مزایای استفاده از Geneformer این بود که می توان پیش بینی کرد کدام ژن می تواند به تغییر سلول ها بین حالت های سالم و بیماری کمک کند. تئودوریس گفت: با رویکردهای استاندارد، شما باید برای هر برنامه جدید یک مدل را از ابتدا آموزش دهید. نکته ی واقعاً هیجان انگیز در مورد مدل جدید این است که دانش بنیادی Geneformer در مورد شبکه های ژنی اکنون می تواند برای پاسخ به بسیاری از سؤالات بیولوژیکی استفاده شود و این سرآغازی برای درمان بیماری های نادر می باشد.