Gladstone Enstitüleri, MIT ve Harvard Broad Enstitüsü ve Dana-Farber Kanser Enstitüsü'ndeki araştırmacılar, birbirine bağlı insan genlerinden oluşan geniş ağların hücrelerin işlevini nasıl kontrol ettiğini ve bu ağlardaki bozulmaların neden olduğunu anlamalarına yardımcı olmak için yapay zekaya (AI) yöneldiler. hastalık. Sonuç? Geneformer adlı yapay zeka tabanlı bir makine öğrenimi modeli!

Ayrıca Oku: Yapay Zeka ve Genetik: Nadir DNA Dizisinin Keşfi

olarak da bilinen büyük dil modelleri temel modelleri, büyük miktarda genel veriden temel bilgileri öğrenen yapay zeka sistemleridir. Daha sonra bu bilgiyi yeni görevleri başarmak için uygularlar. öğrenme aktarımı. Bu sistemler son zamanlarda piyasaya sürülmesiyle ana akım ilgi gördü. ChatGPT, OpenAI'den bir model üzerine kurulu bir sohbet robotu.

Nature dergisinde yayınlanan çalışma, Gladstone Araştırmacı Yardımcısı Christina Theodoris'in, MD, Ph.D.'nin, genlerin nasıl etkileşime girdiğini anlamak için nasıl bir temel model geliştirdiğini anlatıyor. "Geneformer" olarak adlandırılan bu model, çok çeşitli insan dokularından gen etkileşimlerine ilişkin çok miktarda veriden öğrenir ve bu bilgiyi hastalıkta işlerin nasıl ters gidebileceğini tahmin etmek için aktarır.

Ayrıca Oku: Engelleri Aşmak: ChatGPT'nin Radyoloji Sınavı Zaferi ve Sınırlamaları Açıklandı!

Geneformer: Tıbbi Araştırmalar İçin Bir Güç Artırıcı

Tipik olarak, gen ağlarını haritalamak için araştırmacılar, birçok benzer hücreyi içeren devasa veri kümelerine güvenirler. Verilerdeki kalıpları çözmek için makine öğrenimi platformları adı verilen bir AI sistemleri alt kümesi kullanırlar. Örneğin, bir makine öğrenimi algoritması, kalp hastalığı olan ve olmayan hastalardan alınan çok sayıda örnek üzerinde eğitilirse, hastalıklı örnekleri sağlıklı olanlardan ayıran gen ağı modellerini öğrenebilir.

Ancak, biyolojideki standart makine öğrenimi modelleri yalnızca tek bir görevi gerçekleştirmek için eğitilir. Modellerin farklı bir görevi yerine getirebilmesi için yeni veriler üzerinde sıfırdan yeniden eğitilmeleri gerekir. Araştırmacılar, hastalıklı böbrek, akciğer veya beyin hücrelerini sağlıklı meslektaşlarından tespit etmek isteselerdi, baştan başlamaları ve bu dokulardan gelen verilerle yeni bir algoritma geliştirmeleri gerekirdi. Sorun şu ki, bazı hastalıklar için bu makine öğrenimi modellerini eğitmek için yeterli veri yok.

Geneformer Yapımı

Yeni çalışmada Theodoris, Ellinor ve meslektaşları, Geneformer'ı temel bilgileri yeni görevlere aktarılabilen temel bir model olarak eğitmek için "öğrenme aktarımı" adlı bir makine öğrenimi tekniğinden yararlanarak bu sorunu ele aldılar. İlk olarak, Geneformer'ı, geniş bir insan dokusu yelpazesinden yaklaşık 30 milyon hücredeki genlerin aktivite düzeyi hakkındaki verileri besleyerek genlerin nasıl etkileşime girdiğine dair temel bir anlayışa sahip olması için "önceden eğittiler".

Transfer öğrenme yaklaşımının işe yaradığını göstermek için, bilim adamları daha sonra genler arasındaki bağlantılar veya belirli genlerin seviyelerini düşürmenin hastalığa neden olup olmayacağı hakkında tahminler yapmak için Geneformer'da ince ayar yaptı. Geneformer, ön eğitim sürecinde edindiği temel bilgiler sayesinde bu tahminleri alternatif yaklaşımlardan çok daha yüksek doğrulukla yapabildi. Buna ek olarak, Geneformer, yalnızca çok az sayıda ilgili veri örneği gösterildiğinde bile doğru tahminler yapabildi.

Ayrıca Oku: AI, Ölümcül Bakterilerle Savaşmak İçin Antibiyotik Keşfetti

Geneformer Nasıl Çalışır?

Theodoris, Geneformer'ın yetersiz veri kümeleri nedeniyle araştırma ilerlemesinin yavaş olduğu durumlarda hastalıkları tahmin edebileceğini söylüyor. İşte Theodoris'in ekibinin kalp hastalığındaki keşifleri ilerletmek için transfer öğrenmeyi nasıl kullandığı.

Önce Geneformer'dan hangi genlerin kalpteki kas hücreleri olan kardiyomiyositlerin gelişimi üzerinde zararlı bir etkiye sahip olacağını tahmin etmesini istediler. Model tarafından tanımlanan en önemli genler arasında, çoğu zaten kalp hastalığı ile ilişkilendirilmişti.

Modelin zaten bilinen kalp hastalığına neden olan genlere ilişkin doğru tahmini, araştırmacılara ileriye dönük doğru tahminler yapabileceği konusunda güven verdi. Bununla birlikte, TEAD4 geni gibi Geneformer tarafından tanımlanan diğer potansiyel olarak önemli genler, daha önce kalp hastalığı ile ilişkilendirilmemişti. Araştırmacılar TEAD4'ü laboratuvarda kardiyomiyositlerden çıkardığında, hücreler artık sağlıklı hücreler kadar güçlü bir şekilde atamıyorlardı. Bu nedenle, Geneformer yeni bir sonuca varmak için transfer öğrenmeyi kullandı: TEAD4'ten yoksun hücreler hakkında herhangi bir bilgi verilmemesine rağmen, TEAD4'ün kardiyomiyosit işlevinde oynadığı önemli rolü doğru bir şekilde tahmin etti.

Son olarak grup, Geneformer'dan hastalıklı kardiyomiyositleri gen ağı düzeyinde sağlıklı hücrelere benzetmek için hedeflenecek genleri tahmin etmesini istedi. Araştırmacılar önerilen hedeflerden ikisini kardiyomiyopatiden (bir kalp kası hastalığı) etkilenen hücrelerde test ettiklerinde, gerçekten de CRISPR gen düzenleme teknolojisi kullanılarak tahmin edilen genlerin çıkarılmasının hastalıklı kardiyomiyositlerin atma yeteneğini geri kazandırdığını buldular.

İlaç Keşfi ve Ağ Düzeltme Tedavileri İçin Çıkarımlar

Ellinor, "Geneformer kullanmanın bir yararı, hangi genlerin hücrelerin sağlıklı ve hastalık durumları arasında geçiş yapmasına yardımcı olabileceğini tahmin etme yeteneğiydi" diyor. "Bu tahminleri, Broad Enstitüsündeki laboratuvarımızdaki kardiyomiyositlerde doğrulayabildik."

Geneformer, hastalık için olası ilaç hedeflerinin keşfedilmesi de dahil olmak üzere biyolojinin birçok alanında geniş uygulamalara sahiptir. Bu yaklaşım, özellikle şu anda etkili tedavilerin bulunmadığı hastalıklar için yeni tedavilerin keşfini büyük ölçüde ilerletecektir.

Ek olarak, Geneformer'ın hastalığı bozan gen ağlarını tahmin etme yeteneği, ağ düzeltici tedavilerin geliştirilmesine yol açabilir. Tek tek genleri veya proteinleri hedeflemek yerine, bu terapiler tüm ağları sağlıklı durumlarına geri döndürmeyi amaçlayacaktır. Bu yaklaşım, potansiyel olarak, tek genleri veya proteinleri hedefleyen mevcut tedavilere göre daha az yan etki ve daha fazla etkinlikle sonuçlanabilir.

Ayrıca Oku: Çığır Açan Haber: FDA, Elon Musk'ın İnsan Denemeleri için Neuralink'ine Onay Verdi

Bizim Sözümüz

Geneformer gibi AI sistemlerinin kullanımı, karmaşık biyolojik sistemler anlayışımızda devrim yaratma ve çok çeşitli hastalıklar için yeni tedavilerin geliştirilmesini hızlandırma konusunda muazzam bir potansiyele sahiptir. Daha fazla veri kullanılabilir hale geldikçe ve yapay zeka teknolojileri ilerlemeye devam ettikçe, önümüzdeki yıllarda bu alanda daha da fazla atılım görmeyi bekleyebiliriz.

İlgili bağlantılar

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
• Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
• PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
• Kaynak: https://www.analyticsvidhya.com/blog/2023/06/decoding-the-blueprint-of-life-ais-geneformer/