یک شبکه عصبی مصنوعی می تواند الگوهای موجود در مقادیر عظیمی از ژن ها را آشکار سازد و گروه هایی از ژن های مرتبط با بیماری را کشف کند. این اکتشاف توسط مطالعه جدیدی به رهبری محققان دانشگاه Linköping ، منتشر شده در مجله Nature Communications نشان داده شده است. دانشمندان امیدوارند که این روش در نهایت بتواند در تولید داروهای دقیق و درمان های اختصاصی بکار رود.
هنگام استفاده از رسانه های اجتماعی این یک امر معمول است که پلتفرم افرادی را که ممکن است تمایل داشته باشید به عنوان دوستان جدید خود اضافه نمایید، به شما پیشنهاد کند. این پیشنهادات براساس شما و اشخاص دیگری که دارای مخاطبین مشترک هستید شکل میگیرد و نشانگر این است که ممکن اشت شما یکدیگر را بشناسید. در یک روش مشابه ، دانشمندان نقشه هایی از شبکه های بیولوژیکی را بر اساس ارتباط متقابل پروتئین ها یا ژن های مختلف با یکدیگر ایجاد می کنند. محققان در پس یک مطالعه جدید، از هوش مصنوعی (AI)، برای بررسی این مسئله که آیا می توان شبکه های بیولوژیکی را با استفاده از یادگیری عمیق (که در آن موجودیت هایی موسوم به “شبکه های عصبی مصنوعی (artificial neural networks)” با داده های تجربی آموزش داده می شوند) کشف کرد، استفاده نموده اند. از آنجا که شبکه های عصبی مصنوعی در یادگیری چگونگی یافتن الگو در مقادیر عظیم داده های پیچیده بسیار عالی عمل میکنند، از آنها در برنامه هایی مانند تشخیص تصویر (image recognition) استفاده می شود. با این حال ، این روش یادگیری ماشینی تاکنون به ندرت در تحقیقات بیولوژیکی مورد استفاده قرار گرفته است.
به گفته Sanjiv Dwivedi، فوق دکترا در گروه فیزیک، شیمی و زیست شناسی (IFM) در دانشگاه Linköping : “ما برای اولین بار از یادگیری عمیق برای یافتن ژن های مرتبط با بیماری استفاده کرده ایم. این یک روش بسیار قدرتمند برای تجزیه و تحلیل مقدار زیادی از اطلاعات بیولوژیکی یا “داده های بزرگ (Big Data)” است.
دانشمندان از یک پایگاه داده بزرگ با اطلاعاتی در مورد الگوهای 20،000 ژن در تعداد زیادی از افراد استفاده کردند. این اطلاعات “طبقه بندی نشده” بودند ، به این معنا که محققان به شبکه عصبی مصنوعی اطلاعاتی مبنی بر اینکه کدام الگوهای ژن از افراد مبتلا به بیماری، و کدام از افراد سالم است، نداده اند. سپس مدل AI برای یافتن الگوهای ژن آموزش داده شد.
یکی از چالش های یادگیری ماشین این است که نمی توان دقیقاً مشخص کرد که چگونه یک شبکه عصبی مصنوعی یک مسئله را حل می کند. هوش مصنوعی گاهی اوقات به عنوان “جعبه سیاه” توصیف می شود – ما فقط اطلاعاتی را که در جعبه قرار می دهیم و نتیجه ای که تولید می کند می بینیم. ما نمی توانیم مراحل بین آن را ببینیم. شبکه های عصبی مصنوعی از چندین لایه تشکیل شده است که در آن اطلاعات به صورت ریاضی پردازش می شوند. این شبکه شامل یک لایه ورودی و یک لایه خروجی است که نتیجه پردازش اطلاعاتی را که توسط سیستم انجام می شود ارائه می دهد. بین این دو لایه چندین لایه پنهان وجود دارد که در آن محاسبات انجام می شود. هنگامی که دانشمندان شبکه عصبی مصنوعی را آموزش داده بودند، هیجان زده بودند که آیا امکان دارد با شیوه ای درب جعبه سیاه را باز کرده و درک کنند که چگونه کار می کند. آیا طرح های شبکه عصبی و شبکه های بیولوژیکی مشابه، یکسان هستند؟
میکا گوستافسون ، مدرس ارشد IFM و رهبر مطالعات گفت: “وقتی شبکه عصبی خود را مورد تجزیه و تحلیل قرار دادیم ، معلوم شد که اولین لایه پنهان نشان دهنده تعامل زیاد بین پروتئین های مختلف است. وقتی در مدل عمیق تر میشویم، در لایه سوم ،گروه هایی از انواع مختلف سلول پیدا کردیم. بسیار جالب است که این نوع از گرو های مرتبط بیولوژیکی، با وجود اینکه شبکه ما از داده های طبقه بندی نشده ژن ها شروع به کار کرده بود، به طور خودکار تولید شده است. “.
دانشمندان سپس تحقیق كردند كه آیا الگوی ژن آنها میتواند برای تعیین اینكه کدام الگوهای ژن با بیماری در ارتباط است و كدام نرمال است مورد استفاده قرار گیرد. آنها تأیید کردند که این مدل الگوهای مرتبط پیدا می کند که به خوبی با مکانیسم های بیولوژیکی در بدن مطابقت دارند. از آنجا که این مدل با استفاده از داده های طبقه بندی نشده آموزش داده شده است، این امکان وجود دارد که شبکه عصبی مصنوعی الگوهای کاملاً جدیدی پیدا کند. محققان اکنون قصد دارند بررسی کنند که آیا چنین الگوهای از قبل ناشناخته، از منظر بیولوژیکی مرتبط هستند.
وی ادامه داد: “ما معتقدیم كه كلید پیشرفت در این زمینه، فهمیدن شبکه عصبی است. این مسئله می تواند چیزهای جدیدی را در مورد زمینه های بیولوژیکی، مانند بیماری هایی كه عوامل زیادی در آن دخالت دارند، به ما بیاموزد. ما معتقدیم که روش ما مدل هایی را ارائه میکند که به آسانی قابل بسط دادن است و می تواند برای بسیاری از انواع مختلفی از اطلاعات بیولوژیکی مورد استفاده قرار گیرد”.
میکا گوستافسون امیدوار است که همکاری نزدیک با محققان پزشکی او را قادر سازد تا بتواند روشی که در این مطالعه توسعه یافته است را در پزشکی دقیق مورد استفاده قرار دهد. برای مثال ممکن است مشخص شود که کدام گروه از بیماران باید نوع خاصی از دارو را دریافت کنند، یا بیمارانی را که با شدت بیشتری مبتلا هستند را شناسایی کرد.
این تحقیق از بنیاد تحقیقات استراتژیک سوئد (SSF) و شورای تحقیقات سوئد حمایت مالی دریافت کرده است.