Sztuczna inteligencja eksplodowała w naszych kanałach informacyjnych, a ChatGPT i powiązane technologie AI stały się obiektem zainteresowania szerokiej opinii publicznej. Poza popularnymi chatbotami biolodzy znajdują sposoby na wykorzystanie sztucznej inteligencji do badania podstawowych funkcji naszych genów.

Wcześniej naukowcy z University of California San Diego, którzy badali sekwencje DNA, które włączają geny, wykorzystywali sztuczną inteligencję do zidentyfikowania zagadkowego elementu układanki związanego z aktywacją genów, fundamentalnym procesem związanym ze wzrostem, rozwojem i chorobą. Wykorzystując uczenie maszynowe, rodzaj sztucznej inteligencji, profesor James T. Kadonaga ze Szkoły Nauk Biologicznych i jego współpracownicy odkryli region promotora rdzenia (DPR), „bramę” kod aktywacyjny DNA, który bierze udział w działaniu nawet jednej trzeciej nasze geny.

Opierając się na tym odkryciu, Kadonaga i badacze Long Vo ngoc i Torrey E. Rhyne wykorzystali teraz uczenie maszynowe do zidentyfikowania „syntetycznych ekstremalnych” sekwencji DNA ze specjalnie zaprojektowanymi funkcjami aktywacji genów. Publikowanie w czasopiśmie Geny i rozwójnaukowcy przetestowali miliony różnych sekwencji DNA poprzez uczenie maszynowe (AI), porównując element aktywacji genu DPR u ludzi i muszek owocowych (Drosophila). Korzystając ze sztucznej inteligencji, byli w stanie znaleźć rzadkie, dostosowane do potrzeb sekwencje DPR, które są aktywne u ludzi, ale nie u muszek owocowych i odwrotnie. Mówiąc bardziej ogólnie, podejście to można teraz wykorzystać do identyfikacji syntetycznych sekwencji DNA o aktywnościach, które mogą być przydatne w biotechnologii i medycynie.

„W przyszłości ta strategia może zostać wykorzystana do identyfikacji syntetycznych ekstremalnych sekwencji DNA z praktycznymi i użytecznymi zastosowaniami. Zamiast porównywać ludzi (warunek X) z muszkami owocowymi (warunek Y), moglibyśmy przetestować zdolność leku A (warunek X), ale nie leku B (warunek Y) do aktywacji genu” – powiedział Kadonaga, wybitny profesor w Departamencie Biologii Molekularnej. „Ta metoda może być również wykorzystana do znalezienia dostosowanych do potrzeb sekwencji DNA, które aktywują gen w tkance 1 (warunek X), ale nie w tkance 2 (warunek Y). Istnieje niezliczona ilość praktycznych zastosowań tego podejścia opartego na sztucznej inteligencji. Syntetyczne ekstremalne sekwencje DNA mogą być bardzo rzadkie, być może jedna na milion – jeśli istnieją, można je znaleźć za pomocą sztucznej inteligencji.

Uczenie maszynowe to gałąź sztucznej inteligencji, w której systemy komputerowe nieustannie się doskonalą i uczą w oparciu o dane i doświadczenie. W nowych badaniach Kadonaga, Vo ngoc (były doktor habilitowany UC San Diego, obecnie w Velia Therapeutics) i Rhyne (współpracownik naukowy personelu) wykorzystali metodę znaną jako regresja wektorów nośnych, aby „wytrenować” modele uczenia maszynowego z 200 000 ustalonych sekwencji DNA na podstawie danych z rzeczywistych eksperymentów laboratoryjnych. Były to cele przedstawione jako przykłady dla systemu uczenia maszynowego. Następnie „wprowadzili” 50 milionów testowych sekwencji DNA do systemów uczenia maszynowego dla ludzi i muszek owocowych i poprosili ich o porównanie sekwencji i zidentyfikowanie unikalnych sekwencji w dwóch ogromnych zbiorach danych.

Podczas gdy systemy uczenia maszynowego wykazały, że sekwencje człowieka i muszki owocowej w dużej mierze się pokrywają, naukowcy skupili się na podstawowym pytaniu, czy modele sztucznej inteligencji mogą zidentyfikować rzadkie przypadki, w których aktywacja genów jest wysoce aktywna u ludzi, ale nie u muszek owocówek. Odpowiedzią było głośne „tak”. Modelom uczenia maszynowego udało się zidentyfikować sekwencje DNA charakterystyczne dla człowieka (i muszki owocowej). Co ważne, przewidywane przez sztuczną inteligencję funkcje ekstremalnych sekwencji zostały zweryfikowane w laboratorium Kadonaga przy użyciu konwencjonalnych (mokrych) metod testowania.

„Przed rozpoczęciem tej pracy nie wiedzieliśmy, czy modele sztucznej inteligencji są wystarczająco „inteligentne”, aby przewidzieć działania 50 milionów sekwencji, w szczególności odstających „ekstremalnych” sekwencji z niezwykłą aktywnością. Jest więc bardzo imponujące i niezwykłe, że modele sztucznej inteligencji mogą przewidzieć działania rzadkich, ekstremalnych sekwencji jeden na milion” – powiedział Kadonaga, który dodał, że zasadniczo niemożliwe byłoby przeprowadzenie porównywalnych 100 milionów eksperymentów w mokrych laboratoriach że technologia uczenia maszynowego analizowana od czasu każdego eksperymentu w mokrym laboratorium zajęłaby prawie trzy tygodnie.

Rzadkie sekwencje zidentyfikowane przez system uczenia maszynowego służą jako udana demonstracja i przygotowują grunt pod inne zastosowania uczenia maszynowego i innych technologii sztucznej inteligencji w biologii.

„W życiu codziennym ludzie znajdują nowe zastosowania dla narzędzi sztucznej inteligencji, takich jak ChatGPT. Tutaj zademonstrowaliśmy wykorzystanie sztucznej inteligencji do projektowania niestandardowych elementów DNA w aktywacji genów. Ta metoda powinna mieć praktyczne zastosowanie w biotechnologii i badaniach biomedycznych” – powiedział Kadonaga. „Mówiąc szerzej, biolodzy są prawdopodobnie na samym początku wykorzystania mocy technologii sztucznej inteligencji”.