人工神經(jīng)網(wǎng)絡揭示了大量基因表達數(shù)據(jù)中的模式，并發(fā)現(xiàn)了與疾病相關的基因。來自瑞典林雪平大學的開發(fā)人員希望該方法最終可以應用于精密醫(yī)學和個性化治療。

科學家根據(jù)不同蛋白質(zhì)或基因如何相互作用來繪制生物系統(tǒng)圖。他們使用人工智能(AI)，研究了是否有可能通過深度學習發(fā)現(xiàn)生物網(wǎng)絡，其中通過實驗數(shù)據(jù)訓練稱為神經(jīng)網(wǎng)絡的實體。

“我們第一次使用深度學習來發(fā)現(xiàn)與疾病相關的基因。這是分析大量生物信息或“大數(shù)據(jù)”的一種非常有效的方法，”林雪平大學物理，化學和生物學系(IFM)的Sanjiv Dwivedi說。

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。這些信息是“未分類的”，因為研究人員沒有提供人工神經(jīng)網(wǎng)絡數(shù)據(jù)，即哪些基因表達模式來自疾病患者，哪些來自健康人。然后訓練AI模型以發(fā)現(xiàn)基因表達模式。

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。該系統(tǒng)包括傳遞信息處理結(jié)果的輸入層和輸出層。在這兩層之間是幾個隱藏層，在其中進行計算。當科學家訓練人工神經(jīng)網(wǎng)絡時，他們想知道是否有可能確切了解其工作原理。

“當我們分析神經(jīng)網(wǎng)絡時，結(jié)果發(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。相反，在模型的更深層，在第三層，我們發(fā)現(xiàn)了不同細胞類型的組。鑒于我們的網(wǎng)絡是從未分類的基因表達數(shù)據(jù)開始的，這種與生物學相關的分組是自動產(chǎn)生的，這非常有趣。” 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，哪些與健康有關。他們證實，該模型找到了可驗證人體生物學機制的相關模式。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。我們相信，我們的方法所提供的模型更易于推廣，可用于許多不同類型的生物學信息。” Gustafsson說。