Sztuczna inteligencja identyfikuje kluczowe zestawy genów wywołujące choroby złożone
Biofizycy z Northwestern University opracowali nowe narzędzie obliczeniowe, umożliwiające identyfikację kombinacji genów odpowiedzialnych za choroby złożone, takie jak cukrzyca, nowotwory czy astma.
W przeciwieństwie do chorób jednogenowych, te złożone schorzenia wynikają ze współdziałania całych sieci genów. Ogromna liczba możliwych kombinacji genów sprawia jednak, że wskazanie konkretnych zestawów odpowiedzialnych za chorobę jest niezwykle trudne.
Nowa metoda, wykorzystująca generatywny model sztucznej inteligencji (AI), pozwala na rozszerzenie ograniczonych danych ekspresji genów, umożliwiając naukowcom identyfikację wzorców aktywności genowej prowadzących do złożonych cech chorobowych. Uzyskane informacje mogą przyczynić się do opracowania nowych, skuteczniejszych terapii celowanych, które uwzględniają wiele genów jednocześnie.
Badanie zostanie opublikowane w tygodniu od 9 czerwca w czasopiśmie „Proceedings of the National Academy of Sciences”.
– Wiele chorób jest uwarunkowanych kombinacją genów, a nie pojedynczym genem – powiedział dr Adilson Motter z Northwestern University, główny autor badania. – Chorobę, taką jak nowotwór, można porównać do katastrofy lotniczej. Najczęściej konieczne jest wystąpienie wielu awarii, by doszło do wypadku, a różne kombinacje awarii mogą prowadzić do podobnych skutków. To znacznie komplikuje ustalenie jednoznacznych przyczyn. Nasz model pomaga uprościć ten proces poprzez identyfikację kluczowych genów i ich zbiorowego wpływu.
Dr Motter, ekspert od układów złożonych, jest profesorem fizyki im. Charlesa E. i Emmy H. Morrison na Weinberg College of Arts and Sciences Northwestern University oraz dyrektorem Center for Network Dynamics. Współautorami badania, współpracującymi z laboratorium Mottera, są Benjamin Kuznets-Speck (badacz podoktorski), Buduka Ogonor (doktorant) oraz Thomas Wytock (współpracownik naukowy).
Obecne metody zawodzą
Przez dziesięciolecia naukowcy próbowali rozwikłać genetyczne podstawy złożonych cech i chorób człowieka. Nawet cechy niezwiązane z chorobami, takie jak wzrost, inteligencja czy kolor włosów, zależą od zbiorów genów. Aktualne metody, takie jak badania asocjacyjne całego genomu (GWAS), koncentrują się na poszukiwaniu pojedynczych genów powiązanych z daną cechą, ale brak im mocy statystycznej, by wychwycić łączny wpływ grup genów.
– Projekt Ludzkiego Genomu pokazał nam, że mamy tylko sześć razy więcej genów niż bakteria jednokomórkowa – zaznaczył Motter. – A jednak człowiek jest znacznie bardziej złożony. Samo zwiększenie liczby genów nie wystarcza, co podkreśla znaczenie interakcji międzygenowych w powstawaniu złożonych form życia.
– Identyfikacja pojedynczych genów wciąż jest ważna – dodał Wytock. – Jednak tylko bardzo niewielka część obserwowanych cech (fenotypów) może być wyjaśniona zmianami w pojedynczych genach. Wiemy, że większość cech jest wynikiem współdziałania wielu genów.
Nie geny, a ich ekspresja
By wypełnić lukę między genomem (genotypem) a cechami obserwowalnymi (fenotypem), badacze opracowali zaawansowane podejście łączące uczenie maszynowe z optymalizacją.
Nowy model, nazwany Transcriptome-Wide conditional Variational auto-Encoder (TWAVE), wykorzystuje sztuczną inteligencję generatywną do identyfikacji wzorców ekspresji genów na podstawie ograniczonych danych. TWAVE symuluje stany zdrowia i choroby, dopasowując zmiany ekspresji genów do zmian fenotypowych. Zamiast analizować efekty pojedynczych genów w izolacji, model określa grupy genów, które wspólnie prowadzą do pojawienia się złożonych cech. Następnie, za pomocą optymalizacji, wskazuje konkretne zmiany ekspresji genów, które mogą przesunąć stan komórki z prawidłowego do chorobowego i odwrotnie.
– Nie analizujemy sekwencji genów, lecz ich ekspresję – zaznaczył Wytock. – Nasz model trenowaliśmy na danych z badań klinicznych, dzięki czemu wiemy, które profile ekspresji są zdrowe, a które chorobowe. Dysponujemy też danymi eksperymentalnymi dla mniejszej liczby genów, pokazującymi reakcję sieci po włączeniu lub wyłączeniu genu, co pozwala nam dokładniej identyfikować geny związane z chorobą.
Analiza ekspresji genów przynosi kilka korzyści. Po pierwsze, omija problemy z prywatnością pacjentów. Dane genetyczne (sekwencje DNA) są unikalne, ekspresja genów stanowi raczej dynamiczną migawkę aktywności komórkowej. Po drugie, dane ekspresji uwzględniają czynniki środowiskowe, które modulują aktywność genów.
– Czynniki środowiskowe mogą nie zmieniać DNA, ale znacząco wpływają na ekspresję genów – podkreślił Motter.
Ścieżka do leczenia personalizowanego
Zespół przetestował TWAVE w przypadku kilku chorób złożonych. Metoda skutecznie wskazała geny odpowiedzialne za te choroby, identyfikując nawet takie, które umknęły dotychczasowym metodom. TWAVE pokazał także, że te same choroby mogą wynikać z różnych zestawów genów u różnych pacjentów, co otwiera drogę do leczenia spersonalizowanego.
– Choroba może przebiegać podobnie u różnych osób, ale z powodu genetycznych, środowiskowych i stylu życia różnic, mogą ją wywoływać inne zestawy genów – powiedział Motter.
Źródło: Proceedings of the National Academy of Sciences, Northwestern University
