Una red neuronal artificial puede revelar patrones en grandes cantidades de datos de expresión génica y descubrir grupos de genes relacionados con enfermedades. Esto ha sido demostrado por un nuevo estudio dirigido por investigadores de la Universidad de Linköping, publicado en Comunicaciones de la naturaleza . Los científicos esperan que el método pueda eventualmente aplicarse dentro de la medicina de precisión y el tratamiento individualizado.

Cuando se usan las redes sociales, es común que la plataforma sugiera personas a las que quizás desee agregar como amigos. La sugerencia se basa en que usted y la otra persona tengan contactos comunes, lo que indica que pueden conocerse. De forma similar, los científicos están creando mapas de redes biológicas basados ​​en cómo diferentes proteínas o genes interactúan entre sí. Los investigadores detrás de un nuevo estudio han utilizado inteligencia artificial, AI, investigar si es posible descubrir redes biológicas mediante el aprendizaje profundo, en el que entidades conocidas como "redes neuronales artificiales" son entrenadas por datos experimentales. Dado que las redes neuronales artificiales son excelentes para aprender a encontrar patrones en enormes cantidades de datos complejos, se utilizan en aplicaciones como el reconocimiento de imágenes. Sin embargo, este método de aprendizaje automático hasta ahora rara vez se ha utilizado en la investigación biológica.

"Hemos utilizado por primera vez el aprendizaje profundo para encontrar genes relacionados con enfermedades. Este es un método muy poderoso en el análisis de grandes cantidades de información biológica, o Big Data, "dice Sanjiv Dwivedi, postdoctorado en el Departamento de Física, Química y Biología (IFM) en la Universidad de Linköping.

Los científicos utilizaron una gran base de datos con información sobre los patrones de expresión de 20, 000 genes en un gran número de personas. La información estaba "desordenada, "en el sentido de que los investigadores no proporcionaron a la red neuronal artificial información sobre qué patrones de expresión génica eran de personas con enfermedades, y que provenían de personas sanas. Luego, se entrenó el modelo de IA para encontrar patrones de expresión génica.

Uno de los desafíos del aprendizaje automático es que no es posible ver exactamente cómo una red neuronal artificial resuelve una tarea. La IA a veces se describe como una "caja negra":solo vemos la información que ponemos en la caja y el resultado que produce. No podemos ver los pasos entre ellos. Las redes neuronales artificiales constan de varias capas en las que la información se procesa matemáticamente. La red comprende una capa de entrada y una capa de salida que entrega el resultado del procesamiento de información realizado por el sistema. Entre estas dos capas hay varias capas ocultas en las que se realizan los cálculos. Cuando los científicos entrenaron la red neuronal artificial, se preguntaban si era posible levantar la tapa de la caja negra, en una forma de hablar, y comprender cómo funciona. ¿Son similares los diseños de la red neuronal y las redes biológicas familiares?

"Cuando analizamos nuestra red neuronal, resultó que la primera capa oculta representaba en gran medida interacciones entre varias proteínas. Más profundo en el modelo, a diferencia de, en el tercer nivel, encontramos grupos de diferentes tipos de células. Es extremadamente interesante que este tipo de agrupación biológicamente relevante se produzca automáticamente, dado que nuestra red ha comenzado a partir de datos de expresión génica no clasificados, "dice Mika Gustafsson, profesor titular de IFM y líder del estudio.

Luego, los científicos investigaron si su modelo de expresión génica podría usarse para determinar qué patrones de expresión génica están asociados con la enfermedad y cuál es normal. Confirmaron que el modelo encuentra patrones relevantes que concuerdan bien con los mecanismos biológicos del cuerpo. Dado que el modelo se entrenó con datos no clasificados, es posible que la red neuronal artificial haya encontrado patrones totalmente nuevos. Los investigadores planean ahora investigar si tal, patrones previamente desconocidos, son relevantes desde una perspectiva biológica.

"Creemos que la clave para progresar en el campo es comprender la red neuronal. Esto puede enseñarnos cosas nuevas sobre los contextos biológicos, como enfermedades en las que interactúan muchos factores. Y creemos que nuestro método proporciona modelos que son más fáciles de generalizar y que pueden usarse para muchos tipos diferentes de información biológica, "dice Mika Gustafsson.

Mika Gustafsson espera que la estrecha colaboración con los investigadores médicos le permita aplicar el método desarrollado en el estudio en medicina de precisión. Puede ser posible, por ejemplo, para determinar qué grupos de pacientes deben recibir un determinado tipo de medicamento, o identificar a los pacientes que se ven más gravemente afectados.