Машинное обучение наконец-то ясно интерпретирует регуляцию генов

В эпоху "больших данных" искусственный интеллект (ИИ) стал ценным союзником учёных. Алгоритмы машинного обучения, например, помогают биологам разобраться в ошеломляющем количестве молекулярных сигналов, контролирующих работу генов. Однако по мере разработки новых алгоритмов для анализа ещё большего объёма данных они становятся сложнее и труднее для интерпретации. Количественные биологи Джастин Б. Кинни и Аммар Тарин предлагают стратегию для создания продвинутых, но более понятных биологам алгоритмов машинного обучения.

Эти алгоритмы представляют собой тип искусственной нейронной сети (ИНС). Вдохновлённые связями нейронов в мозге, ИНС являются вычислительной основой для современного машинного обучения. Несмотря на название, ИНС используются не только для изучения мозга.

Биологи, такие как Тарин и Кинни, используют ИНС для анализа данных экспериментального метода "массово-параллельного репортерного анализа" (MPRA), который исследует ДНК. На основе этих данных количественные биологи могут создавать ИНС, предсказывающие, какие молекулы контролируют определённые гены в процессе регуляции генов.

Клеткам не нужны все белки одновременно. Вместо этого они полагаются на сложные молекулярные механизмы, чтобы включать или выключать гены, производящие белки, по мере необходимости. Сбои в этой регуляции обычно ведут к нарушениям и болезням.

"Это механистическое знание — понимание того, как работает что-то вроде регуляции генов, — очень часто является разницей между возможностью и невозможностью разработать молекулярную терапию против болезней", — сказал Кинни.

К сожалению, способ построения стандартных ИНС на данных MPRA сильно отличается от того, как учёные задают вопросы в науках о жизни. Это несоответствие означает, что биологам трудно интерпретировать, как происходит регуляция генов.

Теперь Кинни и Тарин разработали новый подход, который устраняет разрыв между вычислительными инструментами и мышлением биологов. Они создали специализированные ИНС, которые математически отражают общие биологические концепции, касающиеся генов и контролирующих их молекул. По сути, они заставляют свои алгоритмы машинного обучения обрабатывать данные понятным для биолога способом.

Эти усилия, по словам Кинни, показывают, как современные промышленные технологии ИИ могут быть оптимизированы для использования в науках о жизни. Подтвердив новую стратегию создания специализированных ИНС, лаборатория Кинни применяет её для исследования широкого спектра биологических систем, включая ключевые генетические цепи, вовлечённые в болезни человека.

Результаты были официально представлены в Ванкувере (Канада) на 1-й Конференции по машинному обучению в вычислительной биологии 13 декабря. С ними можно ознакомиться в виде препринта на сервере CSHL bioRxiv.