Uma rede neural artificial pode revelar padrões em grandes quantidades de dados de expressão gênica e descobrir grupos de genes relacionados à doença. Isso foi demonstrado por um novo estudo liderado por pesquisadores da Linköping University, publicado na Nature Communications . Os cientistas esperam que o método possa eventualmente ser aplicado em medicina de precisão e tratamento individualizado.
É comum ao usar as mídias sociais que a plataforma sugere pessoas que você pode adicionar como amigos. A sugestão é baseada em você e a outra pessoa tendo contatos em comum, o que indica que você pode se conhecer. De maneira semelhante, os cientistas estão criando mapas de redes biológicas com base em como diferentes proteínas ou genes interagem entre si. Os pesquisadores responsáveis por um novo estudo usaram a inteligência artificial (IA) para investigar se é possível descobrir redes biológicas usando aprendizado profundo , em que entidades conhecidas como ” redes neurais artificiais”são treinados por dados experimentais. Como as redes neurais artificiais são excelentes para aprender a encontrar padrões em enormes quantidades de dados complexos, elas são usadas em aplicações como reconhecimento de imagens. No entanto, esse método de aprendizado de máquina até agora raramente foi usado em métodos biológicos. pesquisa.
“Pela primeira vez, usamos o aprendizado profundo para encontrar genes relacionados a doenças. Esse é um método muito poderoso na análise de grandes quantidades de informações biológicas, ou Big Data”, diz Sanjiv Dwivedi, pós-doutorado no Departamento de Física, Química. e Biologia (IFM) na Universidade de Linköping.
Os cientistas usaram um grande banco de dados com informações sobre os padrões de expressão de 20.000 genes em um grande número de pessoas. A informação era “não classificada”, no sentido de que os pesquisadores não forneceram à rede neural artificial informações sobre quais padrões de expressão gênica eram de pessoas com doenças e quais eram de pessoas saudáveis. O modelo de IA foi treinado para encontrar padrões de expressão gênica.
Um dos desafios do aprendizado de máquina é que não é possível ver exatamente como uma rede neural artificial resolve uma tarefa. A IA às vezes é descrita como uma “caixa preta” – vemos apenas as informações que colocamos na caixa e o resultado que ela produz. Não podemos ver os passos entre. As redes neurais artificiais consistem em várias camadas nas quais a informação é processada matematicamente. A rede compreende uma camada de entrada e uma camada de saída que fornece o resultado do processamento de informações realizado pelo sistema. Entre essas duas camadas, há várias camadas ocultas nas quais os cálculos são realizados. Quando os cientistas treinaram a rede neural artificial, eles se perguntaram se era possível levantar a tampa da caixa preta, de certa maneira, e entender como ela funciona.redes biológicas semelhantes?
“Quando analisamos nossa rede neural, verificou-se que a primeira camada oculta representava, em grande parte, interações entre várias proteínas. Mais profundo no modelo, em contraste, no terceiro nível, encontramos grupos de diferentes tipos de células. É extremamente interessante” que esse tipo de agrupamento biologicamente relevante é produzido automaticamente, uma vez que nossa rede partiu de dados não classificados de expressão gênica “, diz Mika Gustafsson, palestrante sênior do IFM e líder do estudo.
Os cientistas então investigaram se seu modelo de expressão gênica poderia ser usado para determinar quais padrões de expressão gênica estão associados à doença e qual é normal. Eles confirmaram que o modelo encontra padrões relevantes que concordam bem com os mecanismos biológicos do corpo. Como o modelo foi treinado usando dados não classificados, é possível que a rede neural artificial tenha encontrado padrões totalmente novos. Os pesquisadores planejam agora investigar se tais padrões previamente desconhecidos são relevantes do ponto de vista biológico.
“Acreditamos que a chave para o progresso no campo é entender a rede neural. Isso pode nos ensinar coisas novas sobre contextos biológicos, como doenças nas quais muitos fatores interagem. E acreditamos que nosso método fornece modelos mais fáceis de generalizar e isso pode ser usado para muitos tipos diferentes de informações biológicas “, diz Mika Gustafsson.
Mika Gustafsson espera que uma colaboração próxima com pesquisadores médicos lhe permita aplicar o método desenvolvido no estudo em medicina de precisão. Pode ser possível, por exemplo, determinar quais grupos de pacientes devem receber um determinado tipo de medicamento ou identificar os pacientes mais afetados.
