Übersetzen
Grafik zum maschinellen Lernen.
Von El Webb

Maschinelles Lernen entdeckt bisher unbekannte Gene in neuer UNM-geführter Studie

In einer bahnbrechenden Studie, die von Forschern der University of New Mexico durchgeführt wurde, Wissenschaftler haben die Leistungsfähigkeit des maschinellen Lernens genutzt, um eine Reihe bisher unbekannter Gene zu identifizieren, die mit der Autophagie verbunden sind, einem lebenswichtigen zellulären Prozess, der an der Wiederverwertung und Aufrechterhaltung der Zellgesundheit beteiligt ist.

Mithilfe eines hochmodernen maschinellen Lernmodells identifizierte die Studie 193 Gene als potenzielle Mitwirkende an der Autophagie-Maschinerie. Diese bisher übersehenen „dunklen Gene“ stellen vielversprechende Wege dar, um die Geheimnisse der Autophagie und ihrer Rolle bei der Zellfunktion und bei komplexen Krankheiten wie Alzheimer zu entschlüsseln, sagte UNM-Neurowissenschaftlerin Elaine Bearer, MD, PhD.

„Dies ist eine weitere Form unvoreingenommener, datengesteuerter Wissenschaft“, sagte Bearer. „Was uns maschinelles Lernen ermöglicht, ist, Rätselraten zu vermeiden und Entdeckungswissenschaft auf eine nicht hypothesengesteuerte Art und Weise zu betreiben.“

Die Studie mit dem Titel „Autophagy Dark Genes: Can We Find Them with Machine Learning?“ wurde kürzlich in der Zeitschrift veröffentlicht Naturwissenschaften, und zielte darauf ab, einen autophagiebezogenen Gensatz zu identifizieren, indem verschiedene biologische Merkmale und Datensätze kombiniert und die Daten in einen Algorithmus für künstliche Intelligenz eingebunden wurden.

„Die Idee war: ‚Können wir diese dunklen, verborgenen, geheimen Gene mit einer Untersuchung der künstlichen Intelligenz finden?‘“, sagte Bearer.

Die Antwort lautet: Ja, maschinelles Lernen kann die Genomforschung dabei unterstützen, eine vollständigere Annotation komplexer Prozesse zu erhalten.

Aber maschinelles Lernen sei noch nicht das Ende der Aufgabe, betont Bearer. Sobald die künstliche Intelligenz etwas identifiziert hat, liegt es an den Wissenschaftlern, sowohl den Prozess als auch die Ergebnisse zu validieren.

Um dies zu erreichen, nutzte ein Forschungsteam der UNM das maschinelle Lernmodell MetaPath/XGBoost (MPxgb), das anhand von Daten aus 17 verschiedenen Quellen trainiert wurde. Die Forschungsuntersuchung zur künstlichen Intelligenz begann im Jahr 2019 unter der Leitung von Tudor Oprea, MD, PhD, ehemaliger Direktor für Screening-Informatik am Center for Molecular Discovery und Drug Discovery Core der UNM und Mitglied des UNM Comprehensive Cancer Center.

Mohsen Ranjbar, PharmD, ein UNM-Absolvent in Chemie und chemischer Biologie, nahm Opreas Forschung auf und führte eine Validierungssuche durch, indem er die Autophagie-Datenbank und Forschungspublikationsdatenbanken wie PubMed durchsuchte, um zu sehen, ob das Modell eine hohe Genauigkeit bei der Unterscheidung bereits bekannte Autophagie-assoziierte Gene.

Wir können maschinelles Lernen mehr als zuvor nutzen. Manchmal haben wir nur begrenzte Kenntnisse über etwas, aber wir können maschinelles Lernen nutzen, um Licht ins Dunkel zu bringen und uns Anweisungen für die Zukunft zu geben.
- Mohsen Ranjbar, Doktorand, PharmD

Durch die Suche ergaben Ranjbars Ergebnisse, dass 23 % der am häufigsten vorhergesagten Gene bereits in der Autophagie-Datenbank annotiert waren, erstaunliche 77 % (193 Gene) jedoch neuartige Entdeckungen waren, die ein ungenutztes Potenzial für das Verständnis der Autophagie-Regulation in zellulären Prozessen darstellen.

„Es ist interessant und überraschend“, sagte Ranjbar. „Es ist erst kurze Zeit her, seit wir mit dieser Forschung begonnen haben, und die Tatsache, dass einige dieser spezifischen, von der KI entdeckten Gene bereits in verschiedenen neueren Veröffentlichungen als neu entdeckte Autophagie-Gene erwähnt wurden, zeigt die Validierung unserer Maschinerie zur Suche nach diesen Genen.“ .“

Bearer sagte, dass Forscher durch die Entdeckung dieser dunklen Autophagie-Gene tiefer in den Zusammenhang zwischen Autophagie-Dysregulation und der Entstehung von Krankheiten eintauchen und letztendlich die Entwicklung neuer Therapiestrategien für die Krankheit vorantreiben können.

Die bahnbrechende Studie zeigt auch die Vielseitigkeit von maschinellem Lernen und künstlicher Intelligenz in der Genomforschung und erweitert das Wissen über die Autophagie hinaus auf andere Bereiche der Biologie.

„Wir kennen nicht alle Gene, die an Dingen wie dem endosomalen Handel beteiligt sind, der bei vielen Krankheiten, einschließlich der Alzheimer-Krankheit, wirklich wichtig ist“, sagte Bearer. „So könnten wir unser maschinelles Lernmodell nutzen, um andere Gene im Genom zu untersuchen und zu identifizieren, deren funktionelle Rolle noch nicht einem Nassbanktest unterzogen wurde.“

Die Studie wurde durch die Unterstützung mehrerer Zuschüsse ermöglicht, darunter NIH U24CA224370, U24TR002278, UL1TR001449, P20GM121176, P20AG068077, R01 MD014153 und das Harvey Family Endowment.

Zusätzliche Unterstützung kam vom New Mexico Alzheimer's Disease Research Center, dem UNM Autophagy, Inflammation & Metabolism Center und dem UNM Clinical & Translational Science Center.

Bearer sagte, das interdisziplinäre Studium wäre nicht möglich gewesen, ohne die Grenzen von akademischen und Forschungsabteilungen überschritten zu haben. Sie arbeitet in der Abteilung für Pathologie, Ranjbar ist in der Abteilung für Chemie und weitere Mitarbeiter des Projekts waren in der Inneren Medizin, der Informatik und dem Molecular Discovery Center.

„Dieses große Projekt ging über mehrere Einheiten innerhalb der UNM hinaus“, sagte sie. „Ich möchte das wissenschaftliche Denken rund um den Einsatz von maschinellem Lernen beeinflussen, weil es so leistungsstark ist.“

Kategorien: Nachrichten, die Sie verwenden können, Research, School of Medicine