Ett artificiellt neuralt nÀtverk kan hitta mönster i stora mÀngder genuttrycksdata och upptÀcka grupper av sjukdomsrelaterade gener. Detta enligt en ny studie ledd av forskare vid Linköpings universitet, som publiceras i Nature Communications. Forskarna hoppas att deras tillvÀgagÄngssÀtt pÄ sikt ska kunna tillÀmpas inom precisionsmedicin och individanpassad behandling.

I sociala medier Àr det vanligt att den tekniska plattformen ger dig vÀnförslag. Förslaget grundas pÄ att du och den andra personen har gemensamma kontakter, och kanske dÀrför ocksÄ kÀnner varandra. PÄ liknande sÀtt kartlÀgger forskare biologiska nÀtverk som baseras pÄ hur olika proteiner eller gener interagerar med varandra. Forskarna bakom en ny studie har nu tagit artificiell intelligens, AI, till hjÀlp och undersökt om det gÄr att hitta biologiska nÀtverk genom att anvÀnda djupinlÀrning, det vill sÀga trÀna upp sÄ kallade djupa artificiella neurala nÀtverk. Eftersom artificiella neurala nÀtverk Àr mycket bra pÄ att lÀra sig att hitta mönster i enorma mÀngder komplexa data anvÀnds de bland annat inom bildigenkÀnning. Men Àn sÄ lÀnge Àr det ovanligt att denna maskininlÀrningsmetod anvÀnds inom biologisk forskning.

– I studien har vi för första gĂ„ngen anvĂ€nt djupinlĂ€rning för att hitta sjukdomsrelaterade gener. Det Ă€r en mycket kraftfull metod för att analysera stora mĂ€ngder biologisk information, sĂ„ kallad big data, sĂ€ger Sanjiv Dwivedi, postdoktor vid Institutionen för fysik, kemi och biologi (IFM) vid Linköpings universitet.

Forskarna anvÀnde en stor databas med information om hur 20 000 olika gener uttrycks hos en stor mÀngd mÀnniskor. Informationen var osorterad, pÄ sÄ sÀtt att forskarna inte talade om för det artificiella neurala nÀtverket vilka genuttryck som kom frÄn personer med sjukdom, och vad som var kopplat till friska personer. Sedan trÀnades AI-modellen i att hitta mönster i genuttrycket.

En av utmaningarna med maskininlĂ€rning Ă€r att mĂ€nniskan inte kan se exakt hur ett artificiellt neuralt nĂ€tverk löser en uppgift. AI beskrivs ibland som en ”svart lĂ„da” – vi ser bara informationen som vi stoppar in i ”lĂ„dan” och resultatet som kommer ut, men inte stegen dĂ€remellan. Artificiella neurala nĂ€tverk bestĂ„r av flera lager dĂ€r informationen bearbetas matematiskt. Det finns ett inmatningslager, ett utdatalager som levererar resultatet av AI-systemets bearbetning av informationen, och dĂ€remellan ett antal dolda lager dĂ€r en mĂ€ngd berĂ€kningar utförs. NĂ€r forskarna hade trĂ€nat det artificiella neurala nĂ€tverket, undrade de dĂ€rför om de sĂ„ att sĂ€ga kunde glĂ€nta pĂ„ locket till ”svarta lĂ„dan” och förstĂ„ hur det fungerade. Fanns det likheter mellan det neurala nĂ€tverkets uppbyggnad och de biologiska nĂ€tverk som redan Ă€r kĂ€nda?

– NĂ€r vi analyserade vĂ„rt neurala nĂ€tverk visade det sig att det första dolda lagret i stor utstrĂ€ckning representerade interaktioner mellan olika proteiner. I det tredje dolda lagret dĂ€remot, djupare in i modellen, Ă„terfinns grupper med olika celltyper. Det Ă€r vĂ€ldigt intressant att den sortens biologiskt relevanta grupperingar kommer ut per automatik nĂ€r vĂ„rt nĂ€tverk har utgĂ„tt frĂ„n oklassificerat genuttrycksdata, sĂ€ger Mika Gustafsson, universitetslektor vid IFM, som har lett studien.

I nÀsta steg undersökte forskarna om deras modell av genuttryck kunde anvÀndas till att avgöra vilket genuttryck som Àr kopplat till sjukdom och vad som Àr normalt. De fann stöd för att modellen hittar mönster som Àr relevanta och stÀmmer bra med de biologiska mekanismerna i kroppen. Eftersom modellen har trÀnats pÄ oklassificerad data kan det artificiella neurala nÀtverket ocksÄ ha hittat mönster som Àr helt nya. Forskarnas nÀsta steg Àr att undersöka om Àven sÄdana, hittills okÀnda mönster, Àr relevanta ur ett biologiskt perspektiv.

– Vi tror att nyckeln för att komma framĂ„t i forskningen inom fĂ€ltet Ă€r att förstĂ„ det neurala nĂ€tverket. Dels kan det lĂ€ra oss nya saker om biologiska sammanhang, exempelvis sjukdomar dĂ€r mĂ„nga faktorer samspelar. Men vi tror ocksĂ„ att vĂ„rt tillvĂ€gagĂ„ngssĂ€tt ger modeller som lĂ€ttare kan generaliseras och anvĂ€ndas pĂ„ mĂ„nga olika typer av biologisk information, sĂ€ger Mika Gustafsson.

Genom nÀra samarbete med forskare inom medicin hoppas Mika Gustafsson kunna göra tillvÀgagÄngssÀttet i studien tillÀmpbart inom precisionsmedicin, för att exempelvis gruppera vilken patient som bör fÄ vilken medicin eller vem som har svÄrast sjukdom.

Studien har finansierats med stöd av Stiftelsen för strategisk forskning (SSF) och VetenskapsrÄdet.

Artikeln: ”Deriving disease modules from the compressed transcriptional space embedded in a deep autoencoder”, Sanjiv K. Dwivedi, Andreas TjĂ€rnberg, Jesper TegnĂ©r och Mika Gustafsson, Nature Communications, publicerad online 12 februari 2020, doi: 10.1038/s41467-020-14666-6, https://www.nature.com/articles/s41467-020-14666-6

För mer information, kontakta gÀrna:

Mika Gustafsson, universitetslektor, mika.gustafsson@liu.se, 013-28 21 38​

Vill du ha mer nyheter frÄn Linköpings universitet? VÄrt elektroniska nyhetsbrev LiU-nytt-e kommervarje fredag med alla nyhetsartiklar som publicerats pÄ webben under den gÄngna veckan. Prenumerera hÀr!

Presskontakt:
Monica Westman Svenselius
Telefon:
013-286839
Epost:
monica.westman@liu.se
Presskontakt:
Karin Söderlund Leifler
Telefon:
013-28 13 95
Epost:
karin.soderlund.leifler@liu.se
Presskontakt:
Therese Ekstrand Amaya
Telefon:
013-28 22 51
Epost:
therese.ekstrand.amaya@liu.se
Presskontakt:
Lennart Falklöf
Telefon:
013-28 16 93
Epost:
lennart.falklof@liu.se