Οι επιστήμονες έχουν πρωτοπορήσει σε μια μέθοδο εντοπισμού γονιδίων που σχετίζονται με την ασθένεια, με βάση την εφαρμογή της τεχνητής νοημοσύνης. Το ειδικά αναπτυγμένο τεχνητό νευρωνικό δίκτυο έχει αποκαλύψει πρότυπα σε τεράστιες ποσότητες δεδομένων γονιδιακής έκφρασης.
Αυτή η διαδικασία διαλογής και αλλαγής επέτρεψε στους ερευνητές του Πανεπιστημίου Linköping να ανακαλύψουν νέες ομάδες γονιδίων που σχετίζονται με τη νόσο. Η βάση της τεχνολογίας πρέπει να συμβάλει στην προώθηση της εξατομικευμένης ιατρικής που οδηγεί σε πιο αξιόπιστες μορφές εξατομικευμένης θεραπείας για διαφορετικές καταστάσεις.
Η βιοτεχνολογία προσανατολίζεται στην κατασκευή χαρτών βιολογικών δικτύων. Αυτά τα δίκτυα σχετίζονται με το πώς αλληλεπιδρούν μεταξύ τους διαφορετικές πρωτεΐνες ή γονίδια. Πρόκειται για ένα πολύπλοκο έργο και η εφαρμογή της τεχνητής νοημοσύνης συνέβαλε στη διευκόλυνση της διαδικασίας.
Η συγκεκριμένη μορφή της τεχνητής νοημοσύνης που χρησιμοποιείται είναι ένας τύπος βαθιάς μάθησης που ονομάζεται ” τεχνητά νευρωνικά δίκτυα “. Για να αναπτυχθεί το «σύστημα σύνδεσης», η πλατφόρμα πρέπει να εκπαιδευτεί χρησιμοποιώντας βιολογικά δεδομένα. Με την πάροδο του χρόνου οι έρευνες κατέδειξαν πως το τεχνητό νευρωνικό τους δίκτυο είναι σε θέση να αναλύσει τεράστια ποσά σύνθετων δεδομένων.
Αυτό αποδείχθηκε χρησιμοποιώντας ένα σύνολο δεδομένων που περιέχει 20.000 γονίδια που σχετίζονται με εκατοντάδες ανθρώπους. Οι πληροφορίες παρουσιάστηκαν “χωρίς διαλογή”. Η τεχνητή νοημοσύνη χρησιμοποιήθηκε στη συνέχεια για να εκτιμηθεί ποια πρότυπα γονιδιακής έκφρασης σχετίζονται με άτομα με ασθένειες, σε αντίθεση με εκείνα τα γονίδια που σχετίζονται με τους υγιείς ανθρώπους. Για να γίνει αυτό, το σύστημα έπρεπε να βρει κρυφά σύνολα δεδομένων μεταξύ των πρωτεϊνών και των κυτταρικών τύπων πρωτεϊνών.
Αυτή η άσκηση επέτρεψε στους ερευνητές να εκπαιδεύσουν την τεχνητή νοημοσύνη για να βρουν πρότυπα γονιδιακής έκφρασης σε νέα σύνολα δεδομένων.
Σύμφωνα με τον επικεφαλής επιστήμονα Sanjiv Dwivedi : “Για πρώτη φορά χρησιμοποιήσαμε βαθιά μάθηση για να βρούμε γονίδια που σχετίζονται με την ασθένεια. Αυτή είναι μια πολύ ισχυρή μέθοδος για την ανάλυση τεράστιων ποσοτήτων βιολογικών πληροφοριών ή “μεγάλων δεδομένων”. “
Η επόμενη φάση του έργου θα περιλαμβάνει τη συνεργασία με άλλες ερευνητικές εγκαταστάσεις, προκειμένου να διερευνηθεί ο τρόπος με τον οποίο μπορούν να αναπτυχθούν τα φάρμακα προσαρμοσμένα σε συγκεκριμένους ασθενείς, με αξιολόγηση του γενετικού προτύπου ενός συγκεκριμένου ασθενούς. Η έρευνα έχει δημοσιευθεί στο περιοδικό Nature Communications , όπου το ερευνητικό έντυπο είναι με τίτλο “Παράγωγα αρθρώματα ασθενειών από τον συμπιεσμένο μεταγραφικό χώρο ενσωματωμένο σε ένα βαθύ autoencoder”.
