L'intelligenza artificiale (AI) viene sfruttata dai ricercatori per rintracciare i geni che causano le malattie. Un team KAUST sta prendendo un creativo, approccio di deep learning combinato che utilizza dati provenienti da più fonti per insegnare agli algoritmi come trovare modelli tra geni e malattie.

L'apprendimento automatico utilizza algoritmi e modelli statistici per identificare modelli e associazioni tra i dati per risolvere problemi specifici. Inserendo un numero sufficiente di dati noti, come le immagini taggate di "Jack, " il sistema può eventualmente imparare a suggerire altre immagini senza tag che includano Jack.

I ricercatori stanno usando questa applicazione dell'IA per trovare geni che causano malattie. Però, solo un numero limitato di geni è stato confermato sperimentalmente come causativo. Ciò significa che gli scienziati non hanno molti dati da inserire nei loro programmi per aiutarli ad apprendere i modelli che descrivono le associazioni tra malattie genetiche. Così, devono essere creativi per trovare modi per insegnare agli algoritmi di apprendimento automatico ad apprendere e quindi cercare questi modelli.

Specialista in database e gestione delle informazioni Panagiotis Kalnis, Il bioscienziato computazionale Xin Gao e colleghi hanno sviluppato un modello di deep learning che, secondo loro, supera gli attuali metodi all'avanguardia.

Primo, hanno fatto ricorso a database noti per estrarre informazioni sulla posizione e sulle funzioni dei geni e su come e quando si accendono e si spengono. Questi dati sono stati usati per insegnare agli algoritmi a trovare geni che lavorano insieme. Quindi, hanno ottenuto dati sulle caratteristiche delle malattie genetiche da altri database. Questo ha insegnato agli algoritmi come identificare malattie con manifestazioni simili. Hanno combinato questi set di dati con i dati sulle associazioni note tra 12, 231 geni e 3, 209 malattie.

Il modello KAUST estrae i modelli appresi dalla rete dei geni e dalle somiglianze tra le malattie genetiche e li trasferisce a un modello di apprendimento profondo chiamato rete convoluzionale a grafo. Questo fornisce un altro set di dati che viene inserito in matrici, come quelli utilizzati nei sistemi di raccomandazione, predire l'associazione gene-malattia.

Il modello è stato in grado di identificare complessi, associazioni non lineari tra geni e malattie, permettendogli di continuare a prevedere nuove associazioni. "Utilizzando più informazioni, abbiamo ottenuto una precisione migliore rispetto ai metodi all'avanguardia attualmente in uso, "dice Peng Han, il primo autore dello studio. "Ma, anche se abbiamo superato altri metodi nei nostri esperimenti, non è ancora abbastanza preciso per essere applicato all'industria, " Aggiunge.

Il team prevede poi di migliorare l'accuratezza del modello incorporando più tipi di dati. Applicheranno anche il metodo per risolvere altri tipi di problemi in cui sono disponibili solo dati limitati, come consigliare nuovi luoghi da visitare in base alle preferenze passate di un utente.