بررسی تعامل میان ژن‌ها با کمک یادگیری عمیق

به گزارش ایسنا و به نقل از تک‌اکسپلور، دانشمندان "دانشگاه کارنگی ملون"(CMU)، یک روش هوش مصنوعی ارائه داده‌اند که فناوری تشخیص چهره و دیگر اپلیکیشن‌های مبتنی بر تصویر را متحول کرده و قدرت خود را برای کشف روابط میان ژن‌ها به کار گرفته است.

نکته مهم در مورد این روش، انتقال میزان قابل توجهی از داده‌های مرتبط با بیان ژن به تصویر است. "شبکه‌های عصبی پیچشی"(CNNs) که مهارت آنها در تحلیل تصویر بسیار بالا است، می‌توانند حدس بزنند که کدام ژن‌ها در تعامل با یکدیگر قرار دارند. عملکرد شبکه‌های عصبی پیچشی در این کار، از عملکرد روش‌های کنونی، بیشتر است.

شاید گزارش پژوهشگران در مورد نحوه کمک کردن شبکه‌های عصبی پیچشی به شناسایی ژن‌ها و مسیرهای ژنتیکی مرتبط با بیماری بتواند به کشف داروهای جدید منجر شود اما "زیو بار جوزف" (Ziv Bar-Joseph)، استاد یادگیری ماشینی دانشگاه کارنگی ملون و از نویسندگان این پژوهش باور دارد که کاربردهای این روش جدید موسوم به "CNNC" می‌توانند از تعاملات ژنتیکی هم فراتر بروند.

وی در این باره گفت: بررسی‌ها حاکی از این هستند که شاید روش CNNC، کارآیی لازم را برای بررسی روابط علت و معلولی موضوعات گوناگون از جمله داده‌های تجاری و شبکه اجتماعی داشته باشد. شبکه‌های عصبی پیچشی که حدود یک دهه پیش ابداع شدند، روشی دگرگون‌کننده را ارائه می‌دهند. در سرویس "گوگل فوتوز"(Google Photos) نیز از این شبکه‌ها برای تشخیص چهره استفاده شده است. ما گاهی اوقات این فناوری را بسیار ساده تصور می‌کنیم زیرا همیشه در حال استفاده از آن هستیم اما این فناوری، بسیار قدرتمند است و به تصاویر، محدود نمی‌شود. نحوه نشان دادن داده‌ها، موضوع بسیار مهمی است.

زیو بار جوزف و "یه یوآن"(Ye Yuan)، پژوهشگر حوزه یادگیری ماشینی دانشگاه کارنگی ملون و از پژوهشگران این پروژه، روابط میان ژن‌ها را بررسی کردند. آنها حدود 20 هزار ژن را در انسان‌ها مورد بررسی قرار دادند. پژوهشگران برای این که به درک درستی از رشد انسان یا بیماری‌های او برسند، باید به بررسی این موضوع می‌پرداختند که ژن‌ها چگونه در گروه‌ها یا شبکه‌ها با یکدیگر همکاری می‌کنند.

یوآن گفت: یکی از روش‌های پی بردن به این رابطه، بررسی بیان ژن است که سطح فعالیت ژن‌ها را در سلول‌ها مشخص می‌کند. به طور کلی، اگر ژن آ فعال باشد، ژن ب نیز در همان زمان فعال می‌شود و همین می‌تواند سرنخی برای تعامل میان این دو باشد. با وجود این ممکن است که فعالیت همزمان ژن‌ها فقط یک تصادف باشد.

یوآن و بار جوزف برای به کار گرفتن شبکه‌های عصبی پیچشی در تحلیل روابط میان ژن‌ها، از داده‌های مربوط به بیان سلول استفاده کردند. سپس نتایج صدها هزار تحلیل سلول را به شکل یک ماتریس ارائه دادند که در آن هر سلول، نشان‌دهنده سطح متفاوتی از بیان یک جفت ژن بود.

ارائه داده‌ها با این روش، جنبه‌ای فضایی به وجود می‌آورد که موجب می‌شود داده‌ها بیشتر شبیه به تصویر باشند و بیشتر در دسترس شبکه‌های عصبی پیچشی قرار بگیرند. پژوهشگران با استفاده از ژن‌هایی که تعامل آنها با یکدیگر ثبت شده است، توانستند شبکه‌های عصبی پیچشی را برای تشخیص ژن‌هایی که در تعامل با یکدیگر قرار دارند، آموزش دهند.

یوآن ادامه داد: تفکیک رابطه علت و معلولی و هماهنگی، بسیار دشوار است. ما امیدواریم که CNNC، به یکی از چندین روشی تبدیل شود که پژوهشگران برای تحلیل پایگاه بزرگ داده‌ها به کار می‌گیرند.

بار جوزف اضافه کرد: استفاده از شبکه‌های عصبی پیچشی، یک روش بسیار عمومی است که می‌توان آن را برای تحلیل‌های بسیاری به کار گرفت. محدودیت اصلی این روش، داده است. هر چه میزان داده‌ها بیشتر باشند، شبکه‌های عصبی پیچشی نیز عملکرد بهتری خواهند داشت. زیست‌شناسی سلولی، حوزه مناسبی برای به کارگیری CNNC است که می‌تواند ده‌ها هزار سلول را درگیر کند و به تولید حجم بزرگی از داده‌ها منجر شود.

این پژوهش، در مجله "Proceedings of the National Academy of Science" به چاپ رسید.