هوش مصنوعی به کمک زیست شناسان آمد

به گزارش «نبض فناوری»، تیم تحقیقاتی شبکه عصبی را روی نقشه های فعل و انفعالات پروتئین و DNA آموزش داده و هوش مصنوعی را قادر می سازد تا توالی های DNA مشخص ژن ها را کشف کنند.

محققان همچنین این مدل را قابل توضیح ساخته اند، بنابراین آنها می توانند نتیجه گیری مدل را تجزیه و تحلیل و نحوه توالی را برای تنظیم ژن ها را تعیین کنند.

یکی از رمز و رازهای بزرگ زیست شناسی، کد تنظیم کننده ژنوم است. DNA از چهار پایه نوکلئوتیدی تشکیل شده که دستورالعمل های ساخت پروتئین را رمزگذاری می کنند، آنها همچنین کنترل می کنند که کجا و چگونه ژن ها بیان می شوند (چگونه پروتئین ها را در ارگانیسم می سازند).

تیم میان رشته ای متشکل از دانشمندان کامپیوتر و زیست شناسان درصدد حل این معما با ایجاد یک شبکه عصبی قابل توضیح هستند. تیم تحقیقاتی یک شبکه عصبی ایجاد کردند که آنها را Base Pair Network یا  BPNet  نامیدند. مدل مورد استفاده توسط BPNet برای تولید پیش بینی ها می تواند برای شناسایی کدهای نظارتی تفسیر شود. این امر با پیش بینی چگونگی اتصال پروتئین هایی به نام فاکتورهای رونویسی با توالی های DNA به دست آمد.

محققان آزمایش های مختلفی را انجام داده و مدل سازی جامع رایانه ای را برای تعیین چگونگی اتصال عوامل رونویسی و DNA به یکدیگر انجام دادند و نقشه ای دقیق تا سطح بازهای نوکلئوتیدی منفرد تهیه کردند. بازنمایی های دقیق فاکتور رونویسی DNA به محققان اجازه می دهد ابزاری ایجاد کنند که قادر به تفسیر الگوهای تعیین کننده توالی DNA و قوانینی است که به عنوان کد تنظیمی عمل می کنند.

نتایج جمع آوری شده از شبکه عصبی قابل توضیح با نتایج تجربی موجود مخلوط شده، آنها همچنین حاوی بینش های شگفت انگیزی در مورد کد تنظیم کننده ژنوم هستند. به عنوان نمونه، مدل هوش مصنوعی به تیم تحقیقاتی این امکان را داد تا قانونی را کشف کند که بر نحوه عملکرد یک عامل رونویسی به نام Nanog تأثیر می گذارد. وقتی چندین نمونه از نقوش Nanog در یک طرف مارپیچ دوگانه DNA وجود داشته باشد ، آنها به طور مشترک به DNA متصل می شوند.

مقاله تحقیق اخیر اولین استفاده از هوش مصنوعی برای تجزیه و تحلیل DNA نیست؛ اما احتمالاً اولین مطالعه ای است که از هوش مصنوعی استفاده و تعیین می کند که کدام توالی DNA ژن ها را در ژنوم تنظیم می کند. شبکه های عصبی در یافتن الگوهای داده ها سرآمد هستند، اما درک مدل های  آنها دشوار است.

معماری BPNet مشابه شبکه هایی است که برای شناسایی چهره در تصاویر استفاده می شود. وقتی سیستم های بینایی رایانه چهره ها را در تصاویر تشخیص می دهند، شبکه با تشخیص لبه ها شروع به کار می کند و سپس این لبه ها را به هم متصل می کند. تفاوت در این است که BPNet از توالی های DNA می آموزد، نقوش توالی را تشخیص می دهد و این نقوش را به یکدیگر می پیوندد و به قوانین مرتبه بالاتر متصل می شود که می تواند برای پیش بینی اتصال داده ها در رزولوشن پایه استفاده شود.