Onderzoekers van Gladstone Institutes, het Broad Institute van MIT en Harvard, en Dana-Farber Cancer Institute hebben zich tot kunstmatige intelligentie (AI) gewend om hen te helpen begrijpen hoe grote netwerken van onderling verbonden menselijke genen de functie van cellen beheersen en hoe verstoringen in die netwerken ziekte. Het resultaat? Een op AI gebaseerd machine learning-model genaamd Geneformer!

Lees ook: AI en genetica: ontdekking van zeldzame DNA-sequentie

Grote taalmodellen, ook wel bekend als funderingsmodellen, zijn AI-systemen die fundamentele kennis leren uit enorme hoeveelheden algemene data. Vervolgens passen ze die kennis toe om nieuwe taken uit te voeren, een proces genaamd overdracht leren. Deze systemen hebben onlangs mainstream aandacht gekregen met de release van ChatGPT, een chatbot gebouwd op een model van OpenAI.

De studie, gepubliceerd in het tijdschrift Nature, beschrijft hoe Gladstone Assistant Investigator Christina Theodoris, MD, Ph.D., een basismodel ontwikkelde om te begrijpen hoe genen op elkaar inwerken. Dit model, genaamd "Geneformer", leert van enorme hoeveelheden gegevens over geninteracties uit een breed scala van menselijke weefsels en draagt ​​deze kennis over om te voorspellen hoe dingen mis kunnen gaan bij ziekte.

Lees ook: Barrières doorbreken: ChatGPT's radiologie-examen triomf en beperkingen onthuld!

Geneformer: een krachtversterker voor medisch onderzoek

Om genennetwerken in kaart te brengen, vertrouwen onderzoekers meestal op enorme datasets die veel vergelijkbare cellen bevatten. Ze gebruiken een subset van AI-systemen, zogenaamde machine learning-platforms, om patronen in de gegevens uit te werken. Een machine learning-algoritme zou bijvoorbeeld de genennetwerkpatronen kunnen leren die zieke monsters onderscheiden van gezonde monsters, indien getraind op een groot aantal monsters van patiënten met en zonder hartaandoeningen.

Standaardmodellen voor machinaal leren in de biologie zijn echter getraind om slechts één taak uit te voeren. Om ervoor te zorgen dat de modellen een andere taak kunnen volbrengen, moeten ze helemaal opnieuw worden getraind op basis van nieuwe gegevens. Als onderzoekers zieke nier-, long- of hersencellen van hun gezonde tegenhangers willen identificeren, moeten ze opnieuw beginnen en een nieuw algoritme trainen met gegevens uit die weefsels. Het probleem is dat er voor sommige ziekten niet genoeg bestaande gegevens zijn om deze machine-learning-modellen te trainen.

Het maken van Geneformer

In de nieuwe studie pakten Theodoris, Ellinor en hun collega's dit probleem aan door gebruik te maken van een machine learning-techniek genaamd "transfer learning" om Geneformer te trainen als een fundamenteel model waarvan de kernkennis kan worden overgedragen naar nieuwe taken. Ten eerste hebben ze Geneformer "voorgetraind" om een ​​fundamenteel begrip te hebben van hoe genen op elkaar inwerken door het gegevens te geven over het activiteitsniveau van genen in ongeveer 30 miljoen cellen uit een breed scala van menselijke weefsels.

Om aan te tonen dat de transfer learning-benadering werkte, hebben de wetenschappers vervolgens Geneformer verfijnd om voorspellingen te doen over de verbindingen tussen genen of dat het verlagen van de niveaus van bepaalde genen ziekte zou veroorzaken. Geneformer was in staat om deze voorspellingen met een veel grotere nauwkeurigheid te doen dan alternatieve benaderingen vanwege de fundamentele kennis die het opdeed tijdens het pre-trainingsproces. Bovendien was Geneformer in staat om nauwkeurige voorspellingen te doen, zelfs wanneer slechts een zeer klein aantal voorbeelden van relevante gegevens werd getoond.

Lees ook: AI ontdekt antibioticum om dodelijke bacteriën te bestrijden

Hoe Geneformer werkt

Theodoris zegt dat Geneformer ziekten kan voorspellen waarbij de onderzoeksvoortgang traag is vanwege onvoldoende datasets. Dit is hoe het team van Theodoris overdrachtsleren gebruikte om ontdekkingen op het gebied van hartaandoeningen te bevorderen.

Eerst vroegen ze Geneformer om te voorspellen welke genen een nadelig effect zouden hebben op de ontwikkeling van cardiomyocyten, de spiercellen in het hart. Van de topgenen die door het model werden geïdentificeerd, waren er al veel in verband gebracht met hartaandoeningen.

De nauwkeurige voorspelling door het model van al bekende genen die hartziekten veroorzaken, gaf onderzoekers het vertrouwen dat het in de toekomst nauwkeurige voorspellingen zou kunnen doen. Andere potentieel belangrijke genen die door Geneformer zijn geïdentificeerd, zoals het gen TEAD4, waren echter niet eerder in verband gebracht met hartaandoeningen. Toen de onderzoekers in het lab TEAD4 uit hartspiercellen verwijderden, konden de cellen niet meer zo krachtig kloppen als gezonde cellen. Daarom gebruikte Geneformer transfer learning om een ​​nieuwe conclusie te trekken: hoewel het geen informatie had ontvangen over cellen zonder TEAD4, voorspelde het correct de belangrijke rol die TEAD4 speelt in de cardiomyocytenfunctie.

Ten slotte vroeg de groep aan Geneformer om de genen te voorspellen die het doelwit zouden moeten zijn om zieke cardiomyocyten op gennetwerkniveau op gezonde cellen te laten lijken. Toen de onderzoekers twee van de voorgestelde doelen testten in cellen die waren aangetast door cardiomyopathie (een ziekte van de hartspier), ontdekten ze inderdaad dat het verwijderen van de voorspelde genen met behulp van CRISPR-technologie voor het bewerken van genen het kloppend vermogen van zieke cardiomyocyten herstelde.

Implicaties voor medicijnontdekking en netwerkcorrigerende therapieën

"Een voordeel van het gebruik van Geneformer was het vermogen om te voorspellen welke genen zouden kunnen helpen om cellen te schakelen tussen gezonde en zieke toestanden", zegt Ellinor. "We waren in staat om deze voorspellingen in cardiomyocyten te valideren in ons laboratorium van het Broad Institute."

Geneformer heeft enorme toepassingen op vele gebieden van de biologie, waaronder het ontdekken van mogelijke medicijndoelen voor de ziekte. Deze aanpak zal de ontdekking van nieuwe therapieën enorm bevorderen, met name voor ziekten waarvoor momenteel een gebrek aan effectieve behandelingen bestaat.

Bovendien zou het vermogen van Geneformer om gennetwerken te voorspellen die ziekten verstoren, kunnen leiden tot de ontwikkeling van netwerkcorrigerende therapieën. In plaats van zich te richten op individuele genen of eiwitten, zouden deze therapieën erop gericht zijn hele netwerken weer gezond te maken. Deze aanpak zou mogelijk kunnen resulteren in minder bijwerkingen en een grotere werkzaamheid dan de huidige therapieën die gericht zijn op afzonderlijke genen of eiwitten.

Lees ook: Baanbrekend nieuws: FDA verleent goedkeuring aan Elon Musk's Neuralink for Human Trials

Ons zeggen

Het gebruik van AI-systemen zoals Geneformer heeft een enorm potentieel om ons begrip van complexe biologische systemen radicaal te veranderen en de ontwikkeling van nieuwe behandelingen voor een breed scala aan ziekten te versnellen. Naarmate er meer gegevens beschikbaar komen en AI-technologieën zich blijven ontwikkelen, kunnen we de komende jaren nog meer doorbraken op dit gebied verwachten.

Verwant

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoAiStream. Web3 gegevensintelligentie. Kennis versterkt. Toegang hier.
• De toekomst slaan met Adryenn Ashley. Toegang hier.
• Koop en verkoop aandelen in PRE-IPO-bedrijven met PREIPO®. Toegang hier.
• Bron: https://www.analyticsvidhya.com/blog/2023/06/decoding-the-blueprint-of-life-ais-geneformer/