طراحی هوش مصنوعی برای رمزگشایی از دستورالعمل های نظارتی در DNA

تاریخ : ۲۸ اسفند ۱۳۹۹

تعداد بازدید : ۶۳۳

0 امتیاز از 0 رای
نسخه چاپی
موضوعات :

محققان از توالی‌یابی DNA حاصل از آزمایشات با وضوح بالا، برای آموزش شبکه عصبی به نام BPNet استفاده کردند.

محققان موسسه تحقیقات پزشکی استوورز، با همکاری همتایان خود در دانشگاه استنفورد و دانشگاه صنعتی مونیخ، برای رمزگشایی دستورالعمل های نظارتی رمزگذاری شده در DNA ، هوش مصنوعی پیشرفته‌ای (AI) را توسعه داده‌اند. این تیم تحقیقاتی دریافته است که یک شبکه عصبی آموزش دیده با مطالعه بر روی نقشه‌های با وضوح بالا از برهمکنش پروتئین و DNA می‌تواند الگوهای توالی‌یابی DNA را در سراسر ژنوم کشف کند و درک عمیق تری از چگونگی این توالی‌ها برای تنظیم ژن‌ها ارائه دهد.

 

شبکه های عصبی مدل‌های قدرتمند هوش مصنوعی هستند که می‌توانند الگوهای پیچیده‌ای از انواع مختلف داده‌ها مانند تصاویر، سیگنال‌های گفتاری یا متن، برای پیش‌بینی برخی ویژگی‌ها با دقت بالا، استخراج کنند. با این حال، بسیاری این مدل‌ها را غیر قابل تفسیر می‌دانند، زیرا استخراج الگوهای پیش بینی از مدل دشوار است. این طبیعت «جعبه سیاه» مانع کاربرد گسترده شبکه‌های عصبی در زیست شناسی شده است، جایی که تفسیر الگوهای پیش بینی در درجه اول اهمیت است.

 

یکی از بزرگترین مشکلات حل نشده در زیست شناسی، کد دوم ژنوم است. بازهای DNA (که معمولاً با حروف A ، C ، G و T نشان داده می شوند) نه تنها دستورالعمل های ساخت پروتئین‌ها، بلکه زمان و مکان ساخت این پروتئین‌ها در ارگانیسم را رمزگذاری می‌کنند. این کد تنظیمی توسط پروتئین‌هایی به نام عوامل رونویسی خوانده می‌شود به بخش‌های کوتاهی از DNA موسوم به موتیف متصل می‌شوند. اینکه چطور ترکیب و چیدمان‌های خاص موتیف‌ها فعالیت تنظیم کننده را مشخص می کنند، یک مسئله کاملاً پیچیده است که تعیین آن دشوار بوده است.

 

اکنون، یک تیم بین رشته‌ای از زیست شناسان و محققان محاسباتی به سرپرستی جولیا زیتلینگر از دانشگاه استنفورد، یک شبکه عصبی به نام BPNet طراحی کرده است. این شبکه عصبی برای شبکه جفت بازها طراحی شده است. نکته اصلی موفقیت این پروژه انجام آزمایشات اتصال فاکتور رونویسی به DNA و مدل سازی محاسباتی در بالاترین وضوح ممکن، تا سطح بازهای منفرد در ساختار DNA است. این افزایش قدرت تفکیک به آنها امکان می‌دهد تا ابزارهای جدید تفسیری را برای استخراج الگوهای اصلی توالی‌ها، استخراج کنند.

 

زیتلینگر می گوید: «این نتیجه بسیار رضایت بخش است، زیرا این نتایج به خوبی با نتایج آزمایشی موجود تناسب دارد و همچنین درک جدیدی به ما می دهد که ما را متعجب کرده است.»

 

زیگا آوسک، از محققان این پروژه، می‌گوید: « مزیت اصلی استفاده از شبکه های عصبی برای کمک به توالی‌یابی و تفسیر ژنوم است.»

 

منبع : https://scitechdaily.com/explainable-artificial-intelligence-for-decoding-regulatory-instructions-in-dna/

نظر شما