Los investigadores están aprovechando la inteligencia artificial (IA) para rastrear genes que causan enfermedades. Un equipo de KAUST está tomando una creatividad, Enfoque combinado de aprendizaje profundo que utiliza datos de múltiples fuentes para enseñar a los algoritmos cómo encontrar patrones entre genes y enfermedades.

El aprendizaje automático utiliza algoritmos y modelos estadísticos para identificar patrones y asociaciones entre datos para resolver problemas específicos. Al ingresar suficientes datos conocidos, como imágenes etiquetadas de "Jack, "el sistema eventualmente puede aprender a sugerir otras imágenes no etiquetadas que incluyan a Jack.

Los investigadores están utilizando esta aplicación de IA para encontrar genes que causan enfermedades. Sin embargo, sólo se ha confirmado experimentalmente la causa de un número limitado de genes. Esto significa que los científicos no tienen muchos datos para ingresar en sus programas que les ayuden a aprender los patrones que describen las asociaciones entre genes y enfermedades. Por lo tanto, necesitan ser creativos para encontrar formas de enseñar a los algoritmos de aprendizaje automático a aprender y luego buscar estos patrones.

Panagiotis Kalnis, especialista en gestión de información y bases de datos, El biocientífico computacional Xin Gao y sus colegas han desarrollado un modelo de aprendizaje profundo que, según dicen, supera a los métodos actuales de vanguardia.

Primero, recurrieron a bases de datos conocidas para extraer información sobre las ubicaciones y funciones de los genes y sobre cómo y cuándo se encienden y apagan. Estos datos se utilizaron para enseñar algoritmos a encontrar genes que funcionen juntos. Luego, obtuvieron datos sobre las características de las enfermedades genéticas de otras bases de datos. Esto enseñó a los algoritmos cómo identificar enfermedades con manifestaciones similares. Combinaron estos conjuntos de datos con datos sobre las asociaciones conocidas entre 12, 231 genes y 3, 209 enfermedades.

El modelo KAUST extrae los patrones aprendidos de cómo los genes se interconectan y sobre las similitudes entre las enfermedades genéticas y los transfiere a un modelo de aprendizaje profundo llamado red convolucional de gráficos. Esto entrega otro conjunto de datos que se coloca en matrices, como los que se utilizan en los sistemas de recomendación, para predecir la asociación entre genes y enfermedades.

El modelo fue capaz de identificar complejos, asociaciones no lineales entre genes y enfermedades, permitiéndole continuar prediciendo nuevas asociaciones. "Al hacer uso de más información, logramos una mayor precisión que los métodos de vanguardia que se utilizan actualmente, "dice Peng Han, el primer autor del estudio. "Pero, aunque superamos a otros métodos en nuestros experimentos, todavía no es lo suficientemente precisa para ser aplicada a la industria, " él añade.

A continuación, el equipo planea mejorar la precisión de su modelo incorporando más tipos de datos. También aplicarán el método para resolver otros tipos de problemas donde solo se dispone de datos limitados, como recomendar nuevas ubicaciones para visitar en función de las preferencias pasadas de un usuario.