Uma rede neural artificial pode revelar padrões em grandes quantidades de dados de expressão gênica e descobrir grupos de genes relacionados a doenças. Isso foi demonstrado por um novo estudo liderado por pesquisadores da Linköping University, publicado em Nature Communications . Os cientistas esperam que o método possa eventualmente ser aplicado na medicina de precisão e no tratamento individualizado.

É comum, ao usar a mídia social, que a plataforma sugira pessoas que você pode querer adicionar como amigos. A sugestão é baseada em você e a outra pessoa com contatos comuns, o que indica que vocês podem se conhecer. De maneira semelhante, os cientistas estão criando mapas de redes biológicas com base em como diferentes proteínas ou genes interagem entre si. Os pesquisadores por trás de um novo estudo usaram inteligência artificial, AI, para investigar se é possível descobrir redes biológicas usando aprendizagem profunda, em que entidades conhecidas como "redes neurais artificiais" são treinadas por dados experimentais. Uma vez que as redes neurais artificiais são excelentes para aprender como encontrar padrões em enormes quantidades de dados complexos, eles são usados ​​em aplicativos como reconhecimento de imagem. Contudo, até agora, esse método de aprendizado de máquina raramente foi usado em pesquisas biológicas.

"Pela primeira vez, usamos o aprendizado profundo para encontrar genes relacionados a doenças. Este é um método muito poderoso na análise de grandes quantidades de informações biológicas, ou Big Data, "diz Sanjiv Dwivedi, pós-doutorado no Departamento de Física, Química e Biologia (IFM) na Linköping University.

Os cientistas usaram um grande banco de dados com informações sobre os padrões de expressão de 20, 000 genes em um grande número de pessoas. A informação estava "desordenada, "no sentido de que os pesquisadores não deram à rede neural artificial informações sobre quais padrões de expressão gênica eram de pessoas com doenças, e que eram de pessoas saudáveis. O modelo de IA foi então treinado para encontrar padrões de expressão gênica.

Um dos desafios do aprendizado de máquina é que não é possível ver exatamente como uma rede neural artificial resolve uma tarefa. A IA às vezes é descrita como uma "caixa preta" - vemos apenas as informações que colocamos na caixa e o resultado que ela produz. Não podemos ver as etapas intermediárias. As redes neurais artificiais consistem em várias camadas nas quais as informações são processadas matematicamente. A rede compreende uma camada de entrada e uma camada de saída que fornece o resultado do processamento da informação realizado pelo sistema. Entre essas duas camadas, existem várias camadas ocultas nas quais os cálculos são realizados. Quando os cientistas treinaram a rede neural artificial, eles se perguntaram se seria possível levantar a tampa da caixa preta, em uma maneira de falar, e entender como funciona. Os designs da rede neural e das redes biológicas familiares são semelhantes?

"Quando analisamos nossa rede neural, descobriu-se que a primeira camada oculta representava em grande parte as interações entre várias proteínas. Mais profundamente no modelo, em contraste, no terceiro nível, encontramos grupos de diferentes tipos de células. É extremamente interessante que esse tipo de agrupamento biologicamente relevante seja produzido automaticamente, dado que nossa rede começou a partir de dados não classificados de expressão gênica, "diz Mika Gustafsson, palestrante sênior do IFM e líder do estudo.

Os cientistas então investigaram se seu modelo de expressão gênica poderia ser usado para determinar quais padrões de expressão gênica estão associados à doença e quais são normais. Eles confirmaram que o modelo encontra padrões relevantes que concordam bem com os mecanismos biológicos do corpo. Como o modelo foi treinado com dados não classificados, é possível que a rede neural artificial tenha encontrado padrões totalmente novos. Os pesquisadores planejam agora investigar se tal, padrões anteriormente desconhecidos, são relevantes do ponto de vista biológico.

"Acreditamos que a chave para o progresso no campo é entender a rede neural. Isso pode nos ensinar coisas novas sobre contextos biológicos, como doenças nas quais muitos fatores interagem. E acreditamos que nosso método fornece modelos que são mais fáceis de generalizar e que podem ser usados ​​para muitos tipos diferentes de informações biológicas, "diz Mika Gustafsson.

Mika Gustafsson espera que a estreita colaboração com pesquisadores médicos lhe permita aplicar o método desenvolvido no estudo em medicina de precisão. Pode ser possível, por exemplo, para determinar quais grupos de pacientes devem receber um certo tipo de medicamento, ou identificar os pacientes mais gravemente afetados.