پیش‌بینی تحولات سلولی با کمک هوش مصنوعی

در یک مطالعه جدید،‌ هوش مصنوعی داده‌های در دسترس را برای مشخص کردن تغییرات ژنتیکی که فعالیت سلولی را تغییر می‌دهند، تجزیه و تحلیل کرد.

به گزارش تکناک، امروزه پیشرفت در فناوری توالی‌یابی ژن و قدرت محاسباتی به‌طور قابل توجهی در دسترس بودن داده‌های بیوانفورماتیک و قابلیت‌های پردازش را افزایش داده است. این همگرایی، فرصتی ایده‌آل برای هوش مصنوعی (AI) به‌منظور توسعه روش‌هایی برای کنترل رفتار سلولی فراهم می‌کند.

در یک مطالعه جدید، محققان دانشگاه نورث وسترن با توسعه یک رویکرد یادگیری انتقال مبتنی بر هوش مصنوعی که داده‌های عمومی را برای پیش‌بینی ترکیبی از اختلالات ژنی که می‌توانند نوع سلول را تغییر داده یا سلول‌های بیمار را به سلامت بازگردانند، مجدداً هدف قرار دهد، استفاده کردند.

این مطالعه اخیراً در مجله Proceedings of the National Academy of Sciences  منتشر شده است.

از زمان تکمیل پروژه ژنوم انسان در 20 سال پیش، دانشمندان به این نتیجه رسیدند که DNA انسان شامل بیش از 20000 ژن است. با این حال، این که چگونه این ژن‌ها با یکدیگر همکاری می‌کنند تا صدها نوع سلول مختلف را در بدن ما هماهنگ کنند، یک راز باقی مانده است.

در کمال تعجب، اساساً با آزمون و خطای هدایت‌شده، محققان نشان داده‌اند که می‌توان تنها با دستکاری تعداد معدودی از ژن‌ها، نوع سلول را دوباره برنامه‌ریزی کرد. همچنین پروژه ژنوم انسان، پیشرفت‌ها در فناوری‌های توالی‌یابی را تسهیل کرد و نه تنها خواندن کد ژنتیکی، بلکه اندازه‌گیری فعالیت ژن را نیز آسان‌تر کرد که پیش‌سازهای پروتئین‌هایی را که عملکرد سلولی را انجام می‌دهند، می‌سنجد. این افزایش اطلاعات منجر به انباشت حجم عظیمی از داده‌های بیوانفورماتیک در دسترس عموم شده است و امکان سنتز این داده‌ها برای طراحی منطقی دستکاری‌های ژنی را افزایش می‌دهد که می‌تواند رفتارهای سلولی مورد نظر را ایجاد کند.

توانایی کنترل رفتار سلولی و در نتیجه انتقال بین انواع سلول را می‌توان برای رشد مجدد بافت‌های آسیب دیده یا تبدیل سلول‌های سرطانی به سلول‌های طبیعی به کار برد.

بافت‌های آسیب دیده ناشی از سکته مغزی، آرتروز و مولتیپل اسکلروزیس هر سال 2.9 میلیون نفر را در ایالات متحده تحت تأثیر قرار می‌دهد که هزینه‌ای بالغ بر 400 میلیون دلار در سال دارد. در همین حال، سرطان‌ها سالانه عامل مرگ حدود 10 میلیون نفر در سراسر جهان با هزینه‌های اقتصادی تریلیون‌ها دلار هستند. از آنجایی که استاندارد درمانی کنونی، بافت‌ها را بازسازی نمی‌کند یا کارایی محدودی دارد، یک نیاز اساسی به توسعه درمان‌های مؤثرتری وجود دارد که به‌طور گسترده قابل اجرا باشند، که به نوبه خود مستلزم شناسایی مداخلات مولکولی است که می‌توان از داده‌های با توان بالا استنباط کرد.

در مطالعه جدید، محققان هوش مصنوعی خود را آموزش دادند تا بیاموزند چگونه فعالیت ژن با استفاده از داده‌های فعالیت ژن در دسترس عموم، منجر به رفتار سلولی می‌شود. مدل پیش‌بینی تولید شده توسط این فرآیند یادگیری به برنامه‌های برنامه‌ریزی مجدد سلولی خاص منتقل می‌شود. در هر کاربرد، این رویکرد، ترکیبی از دستکاری‌های ژنی را پیدا می‌کند که به احتمال زیاد انتقال نوع سلولی مورد نظر را القا می کنند.

اکتشاف بی‌سابقه دینامیک ژنوم

توماس ویتاک، نویسنده اصلی این گفت: تحقیق ما از رویکردهای قبلی برای طراحی منطقی استراتژی‌ها برای دستکاری رفتار سلول متمایز است. این رویکردها عمدتاً به دو دسته تقسیم می‌شوند: دسته‌ای که در آن ژن‌ها بر اساس تعاملات یا ویژگی‌های مشترکشان در شبکه‌هایی سازمان‌دهی می‌شوند. و دیگری که در آن فعالیت ژن‌های سلول‌های سالم و بیمار با هم مقایسه می‌شوند تا ژن‌هایی را که بیشترین تفاوت‌ها را نشان می‌دهند، مشخص کنند.

در دسته اول، بین واقع گرایی و مقیاس، مبادله‌ای وجود دارد. برخی از مدل‌های شبکه شامل ژن‌های زیادی هستند اما فقط می‌گویند که آیا یک رابطه وجود دارد یا خیر. مدل‌های دیگر کمی و تجربی هستند اما لزوماً تعداد کمی از ژن‌ها و روابط را شامل می‌شوند. تحقیق جدید محققان دانشگاه نورث وسترن نقاط قوت هر دو نوع مدل را حفظ می‌کند: شامل همه ژن‌های موجود در سلول و قابلیت نمایش فعالیت آنها است. این امر با کاهش فعالیت نزدیک به 20000 ژن منفرد به بیش از 10 ترکیب خطی از این ژن‌ها به دست می‌آید که میانگین‌های وزنی هستند که به عنوان ژن ویژه شناخته می‌شوند.

ادیلسون موتر، نویسنده ارشد این مطالعه می‌گوید: ژن‌های ویژه اساساً نشان می‌دهند که چگونه ژن‌ها به‌طور هماهنگ عمل می‌کنند، و این امکان را فراهم می‌آورند که دینامیک یک شبکه دینامیکی بزرگ را فقط به چند قسمت متحرک ساده کنند. هر ژن ویژه را می‌توان به عنوان یک مسیر تعمیم یافته در نظر گرفت که تقریباً مستقل از دیگران است. بنابراین، ژن‌های ویژه همبستگی‌ها و استقلال‌های مربوطه را در شبکه تنظیم‌کننده ژن دریافت می‌کنند.

رویکردهای دسته دوم می‌توانند ژن‌های فردی مرتبط با تغییر در رفتار سلولی را بیابند، اما مشخص نمی‌کنند که ژن‌ها چگونه با هم کار می‌کنند تا این تغییر را فعال کنند. رویکرد جدید با تشخیص اینکه ژن‌ها فعالیت خود را به‌طور هماهنگ تغییر می‌دهند، بر این چالش غلبه می‌کند. محاسبه کمی این ویژگی از نظر ژن‌های ویژه، ترکیب افزودنی پاسخ آنها به اختلالات ژنی مختلف را با مقیاس‌بندی مناسب آنها ممکن می‌سازد. سپس پاسخ‌های ترکیبی را می‌توان به مدل هوش مصنوعی وارد کرد تا مشخص شود کدام اختلالات، رفتار سلولی مورد نظر را ایجاد می‌کنند.

جلوگیری از انفجار ترکیبی

محققان با این مدل هوش مصنوعی، داده‌های در دسترس عموم را برای شناسایی چگونگی تغییر فعالیت ژن هنگامی که یک ژن واحد با افزایش یا کاهش فعالیت آن به‌طور برون‌زا مختل می‌شود، انتخاب کردند. سپس آنها الگوریتمی را برای حل مشکل معکوس ایجاد کردند که عبارت است از پیش‌بینی ترکیب‌های ژنی که به احتمال زیاد باعث ایجاد یک انتقال مجدد برای برنامه‌ریزی مطلوب می‌شوند، مانند اینکه سلول‌های بیمار مانند سلول‌های سالم رفتار کنند. رویکردی که از ادغام داده‌ها و الگوریتم حاصل می‌شود، انفجار ترکیبی را که از آزمایش همه ترکیب‌ها به منظور شناسایی ترکیب‌های مؤثر حاصل می‌شود، دور می‌زند. این امر خیلی مهم است زیرا آزمایش‌ها می‌توانند تنها تعداد محدودی از موارد را آزمایش کنند و الگوریتم راهی برای شناسایی امیدوارکننده‌ترین مواردی که باید آزمایش شوند، فراهم می‌کند.

ویتوک گفت: این رویکرد در توانایی خود برای بررسی ترکیبات بی شمار به صورت محاسباتی می‌درخشد. از آنجایی که الگوریتم از بهینه‌سازی استفاده می‌کند، این رویکرد می‌تواند پیش‌بینی‌ها را در بین تعداد نامتناهی از ترکیب‌ها از طریق جادوی حسابان مقایسه کند.

مشکل دیگری که توسط این رویکرد دور زده می‌شود این است که اختلالات ژن می‌توانند به روشی غیرافزودنی ترکیب شوند. به عنوان مثال، تأثیر اختلالات ژنی را بر سرعت رشد سلولی در نظر بگیرید و تصور کنید اختلالات در صورت اعمال مجزا، سرعت رشد را به نصف کاهش دهند. اگر این دو اختلال رشد را به‌طور قابل توجهی بیشتر یا به‌طور قابل توجهی کمتر از یک چهارم کاهش دهند، تأثیرات غیرافزایشی با هم ترکیب می‌شوند. اگرچه تحقیقات زیادی وجود دارد که برهمکنش‌های غیرافزودنی بین ژن‌ها را مشخص می‌کند، رویکرد جدید حتی بدون در نظر گرفتن چنین انحرافاتی از افزایشی مؤثر است.

این ویژگی مداخلات مورد نیاز برای القای انتقال بین انواع سلول غیرمعمول است زیرا خود انواع سلول‌ها از تعاملات جمعی بین ژن‌ها پدید می‌آیند.

از آنجایی که این رویکرد به چالش‌های اصلی برای کنترل رفتار سلولی می‌پردازد، می‌توان آن را برای بسیاری از شرایط مختلف زیست‌پزشکی از جمله مواردی که از داده‌های آینده سود خواهند برد، اعمال کرد.

مدلی انعطاف‌پذیر برای داده‌های آینده

این واقعیت که پاسخ‌ها به اختلالات ژنی با هم ترکیب می‌شوند، تعمیم در انواع سلول‌ها را تسهیل می‌کند. برای مثال، اگر یک ژن در یک سلول پوستی مختل شود، تأثیر حاصل بر فعالیت در یک سلول کبدی تا حد زیادی یکسان خواهد بود.

بنابراین، رویکرد مبتنی بر هوش مصنوعی را می‌توان به عنوان یک پلتفرم در نظر گرفت که داده‌های مربوط به یک بیماری خاص در یک بیمار خاص را می‌توان در آن درج کرد. این رویکرد ممکن است هر زمان که بتوان بیماری را به عنوان یک مشکل برنامه‌ریزی مجدد تصور کرد، مانند سرطان‌ها، دیابت و بیماری‌های خودایمنی که همگی از اختلال عملکرد سلولی ناشی می‌شوند، استفاده شود.

تطبیق‌پذیری این رویکرد به فعالیت ژن در یک مطالعه منفرد اجازه می‌دهد تا به سرعت در تمام داده‌های موجود در آرشیو خواندن توالی مرکز ملی اطلاعات بیوتکنولوژی که بزرگترین مخزن در دسترس عموم برای داده‌های فعالیت ژن است، زمینه‌سازی شود. این آرشیو بین سال‌های 2012 تا 2022 از 10 ترابایت به 1000 ترابایت 100 برابر شده است و با کاهش هزینه‌های توالی به رشد تصاعدی ادامه می‌دهد. این تحقیق یک ابزار حیاتی برای ترجمه این انبوه از داده‌ها به پیش‌بینی‌های خاص در مورد نحوه کار ژن‌ها برای کنترل رفتار سلول‌های طبیعی و بیمار فراهم می‌کند.