هوش مصنوعی با یادگیری از تکامل رازهای ژنوم انسان را رمزگشایی می‌کند

بیش از دو دهه از زمانی که دانشمندان برای نخستین‌بار موفق به توالی‌یابی کامل ژنوم انسان شدند و حدود ۳ میلیارد جفت‌باز DNA را رمزگشایی کردند می‌گذرد، اما بخش بزرگی از این کد ژنتیکی همچنان برای دانشمندان ناشناخته است.

به گزارش گروه ترجمه خبرگزاری برنا به نقل از فیزیکس او آر جی، اکنون پژوهشگران دانشگاه کالیفرنیا برکلی یک مدل هوش مصنوعی جدید برای تحلیل DNA توسعه داده‌اند که با بهره‌گیری از اطلاعات تکاملی می‌تواند گونه‌های مهم‌تر تغییرات ژنتیکی را با دقت بیشتری شناسایی کند و در عین حال، برای آموزش به توان محاسباتی بسیار کمتری نسبت به مدل‌های بزرگ‌تر نیاز دارد.

این مدل که GPN-Star نام دارد یک مدل زبانی ژنومی (Genomic Language Model) است که به گفته پژوهشگران در شناسایی مهم‌ترین و اثرگذارترین گونه‌های ژنتیکی مرتبط با صفات ارثی از جمله تغییراتی که می‌توانند در بروز بیماری‌ها نقش داشته باشند عملکردی بهتر از رقبای خود دارد.

یکی از ویژگی‌های مهم GPN-Star کارایی محاسباتی آن است؛ به‌گونه‌ای که برخلاف برخی مدل‌های عظیم ژنومی آموزش آن به ماه‌ها زمان و هزاران پردازنده قدرتمند نیاز ندارد و می‌توان آن را با تعداد محدودی پردازنده در مدت چند روز یا حتی چند ساعت آموزش داد.

بخش بزرگی از ژنوم انسان همچنان ناشناخته است

ژنوم انسان از حدود ۳ میلیارد جفت‌باز DNA تشکیل شده است؛ با این حال تنها حدود یک تا ۲ درصد از DNA انسان مستقیما برای ساخت پروتئین‌ها کدگذاری می‌کند.

بخش باقی‌مانده ژنوم مجموعه‌ای از توالی‌های مختلف است که بخشی از آنها در گذشته DNA زائد یا junk DNA نامیده می‌شدند؛ اصطلاحی که به بقایای تکاملی اشاره دارد که تصور می‌شد دیگر عملکرد مشخصی ندارند. با این حال دانش امروز نشان داده است که بخش قابل‌توجهی از DNA غیرکدکننده می‌تواند دارای نقش‌های تنظیمی باشد.

این عناصر تنظیمی مشخص می‌کنند که ژن‌ها چه زمانی، در کجا و با چه شدتی فعال یا غیرفعال شوند؛ بنابراین مناطق غیرکدکننده ژنوم می‌توانند اطلاعات مهمی درباره صفات ارثی انسان در خود داشته باشند؛ از ویژگی‌های طبیعی و تفاوت‌های فردی گرفته تا تغییراتی که خطر ابتلا به بیماری‌هایی مانند سرطان، بیماری قلبی و اوتیسم را افزایش می‌دهند.

مسئله اصلی برای دانشمندان این است که مشخص کنند هر یک از گونه‌های ژنتیکی در این بخش‌های مختلف ژنوم چه نقشی دارند و چگونه تفاوت‌های موجود در DNA می‌توانند به مجموعه بزرگی از صفات انسانی منجر شوند.

گرامر ژنوم چیست؟

مدل‌های زبانی ژنومی از نظر ایده کلی شباهت‌هایی با چت‌بات‌های هوش مصنوعی دارند، اما به جای آنکه روی زبان طبیعی انسان آموزش ببینند با حجم عظیمی از توالی‌های DNA آموزش داده می‌شوند.

در DNA تنها چهار حرف اصلی وجود دارد: A، C، G و T که چهار نوع باز آلی موجود در DNA را نشان می‌دهند. مدل‌های هوش مصنوعی با بررسی حجم عظیمی از این توالی‌ها می‌توانند الگو‌های تکرارشونده و روابط میان بخش‌های مختلف DNA را شناسایی کنند؛ کاری که انجام آن برای انسان با همان سرعت و در چنین مقیاسی عملاً امکان‌پذیر نیست.

یون سونگ، استاد علوم رایانه و آمار دانشگاه برکلی و پژوهشگر موسسه ژنومیک نوآورانه توضیح داد که دانشمندان از قبل نمی‌دانند کدام بخش‌های ژنوم عناصر عملکردی هستند و کدام بخش‌ها عملکرد مشخصی ندارند.

او گفت از نظر ریاضی توالی DNA صرفا رشته‌ای از حروف A، C، G و T است، اما زمانی که یک مدل زبانی DNA با تعداد زیادی توالی مختلف آموزش داده شود می‌تواند الگو‌های خاصی را که در ژنوم‌ها تکرار می‌شوند تشخیص دهد.

پژوهشگران از این توانایی برای مطالعه چیزی استفاده می‌کنند که آن را گرامر ژنوم می‌نامند؛ یعنی الگو‌ها و قواعدی که به دانشمندان کمک می‌کند بفهمند بخش‌های مختلف کد ژنتیکی چگونه با یکدیگر ارتباط دارند و کدام قسمت‌ها احتمالا عملکرد زیستی مهمی دارند.

یادگیری از تکامل برای کاهش نیاز به توان محاسباتی

بسیاری از مدل‌های زبانی ژنومی از جمله مدل بزرگ Evo ۲ که اوایل سال جاری میلادی معرفی شد با استفاده از توالی ژنوم‌های کامل و هم‌ترازنشده آموزش داده می‌شوند.

این روش اگرچه اطلاعات گسترده‌ای در اختیار مدل قرار می‌دهد اما از نظر محاسباتی بسیار پرهزینه است.

برای نمونه Evo ۲ با استفاده از ژنوم بیش از ۱۰۰ هزار گونه از تمام شاخه‌های اصلی حیات آموزش داده شده و فرایند آموزش آن به حدود ۲ هزار پردازنده قدرتمند NVIDIA و چند ماه زمان نیاز داشته است. این مدل همچنین قادر است ژنوم‌های کامل را از ابتدا تولید کند، اما تیم دانشگاه برکلی برای آموزش GPN-Star رویکرد متفاوتی را انتخاب کرد. پژوهشگران به جای استفاده مستقیم از ژنوم‌های جداگانه و هم‌ترازنشده از هم‌ترازی‌های کل ژنوم یا Whole-Genome Alignments (WGA) استفاده کردند.

در این روش الگوریتم‌های تخصصی از قبل ژنوم صد‌ها گونه مختلف را با ژنوم یک گونه مرجع مقایسه می‌کنند. به این ترتیب شباهت‌ها و تفاوت‌های موجود در کد ژنتیکی مشخص می‌شود.

برای مثال در یک هم‌ترازی با محوریت ژنوم انسان ژنوم گونه‌های دیگر با ژنوم انسان مقایسه می‌شود. این مقایسه نشان می‌دهد کدام بخش‌های DNA در طول فرایند تکامل در گونه‌های مختلف حفظ شده‌اند و کدام قسمت‌ها در طول زمان تغییر کرده‌اند.

از آنجا که WGA‌ها بخش قابل‌توجهی از کار شناسایی مناطق حفاظت‌شده ژنومی را پیشاپیش انجام داده‌اند GPN-Star برای آموزش خود به محاسبات بسیار کمتری نیاز دارد.

به گفته پژوهشگران این مدل می‌تواند تنها با چند پردازنده و در مدت چند روز یا حتی چند ساعت آموزش داده شود. همچنین استفاده از داده‌های انتخاب‌شده و مبتنی بر اطلاعات زیستی باعث می‌شود مدل کمتر تحت تاثیر حجم عظیم بخش‌هایی از DNA قرار گیرد که احتمالا عملکرد مشخصی ندارند.

سونگ در این باره گفت پژوهشگران تلاش کرده‌اند داده‌هایی را انتخاب و تنظیم کنند که احتمال بیشتری دارد حاوی عناصر عملکردی ژنوم باشند؛ به این معنا که به جای آنکه تمام بار شناسایی بخش‌های مهم را بر دوش مدل بگذارند از دانش زیست‌شناسی برای هدایت فرایند آموزش استفاده کرده‌اند.

مدل‌های آموزش‌دیده در مقیاس‌های مختلف تکاملی، کاربرد‌های متفاوتی دارند

در این مطالعه پژوهشگران GPN-Star را با استفاده از سه مجموعه مختلف از هم‌ترازی‌های کل ژنوم با محوریت انسان آموزش دادند. هر یک از این مجموعه‌ها شامل ترکیبی متفاوت از گونه‌های دیگر بود و در نتیجه بازه زمانی متفاوتی از تکامل را پوشش می‌داد.

یک مجموعه شامل ژنوم سایر نخستی‌ها بود مجموعه دوم از ژنوم پستانداران استفاده می‌کرد و مجموعه سوم ژنوم مهره‌داران دیگر را دربر می‌گرفت.

پژوهشگران علاوه بر انسان مدل را با داده‌های مربوط به موش‌ها، مگس‌های میوه، مرغ، کرم‌های گرد C. elegans و گیاه A. thaliana نیز آموزش دادند.

نتایج نشان داد مدل‌هایی که با داده‌های مربوط به بازه‌های زمانی متفاوت تکاملی آموزش داده شده‌اند الزاما عملکرد یکسانی ندارند و هرکدام برای تفسیر انواع خاصی از تغییرات ژنتیکی مناسب‌تر هستند.

چنگژونگ یه دانشجوی تحصیلات تکمیلی آمار در دانشگاه برکلی و یکی از نویسندگان اول پژوهش گفت این نتیجه با اصول زیست‌شناسی تکاملی سازگار است، زیرا عناصر مختلف ژنوم با سرعت یکسانی تکامل پیدا نمی‌کنند.

برخی عناصر ژنتیکی بسیار آهسته تکامل می‌یابند و در گونه‌های مختلف طی مدت‌های طولانی حفظ می‌شوند در حالی که برخی دیگر سریع‌تر تغییر می‌کنند.

ژن‌های پروتئینی در برابر صفات پیچیده

پژوهشگران دریافتند مدلی که با داده‌های مربوط به بازه‌های زمانی طولانی‌تر تکاملی آموزش داده شده بود در پیش‌بینی اثر گونه‌های نادر تغییرات ژنتیکی در ژن‌های کدکننده پروتئین عملکرد بهتری داشت.

این موضوع منطقی است، زیرا بخش‌های مربوط به پروتئین‌ها معمولا در طول تکامل با سرعت کمتری تغییر می‌کنند و در بسیاری از گونه‌ها حفظ می‌شوند.

در مقابل مدلی که بر اساس بازه‌های زمانی کوتاه‌تر تکاملی آموزش دیده بود، در پیش‌بینی اثر تغییرات ژنتیکی مرتبط با صفات پیچیده از جمله خطر ابتلا به اسکیزوفرنی عملکرد بهتری نشان داد.

صفات پیچیده برخلاف برخی ویژگی‌هایی که تحت تاثیر یک یا چند ژن قرار دارند معمولا حاصل اثرگذاری تعداد بسیار زیادی از تغییرات ژنتیکی هستند. پژوهشگران می‌گویند برخی از این صفات ممکن است با تا ۱۰ هزار جهش یا تغییر ژنتیکی مختلف مرتبط باشند که بسیاری از آنها نیز در مناطق غیرکدکننده ژنوم قرار دارند.

به گفته سونگ، پژوهشگران انتظار نداشتند تا این اندازه مشخص شود که آموزش مدل با داده‌های اختصاصی‌تر مربوط به ژنوم نخستی‌ها که ارتباط بیشتری با مراحل اخیر تکامل انسان دارند می‌تواند پیش‌بینی‌های مربوط به صفات پیچیده را بهبود دهد.

کمک هوش مصنوعی به اولویت‌بندی آزمایش‌های ژنتیکی

یکی از کاربرد‌های مهم GPN-Star پیش‌بینی این است که کدام گونه‌های ژنتیکی احتمالا از نظر زیستی یا پزشکی اهمیت بیشتری دارند.

سونگ گفت مدل جدید در پیش‌بینی بیماری‌زایی گونه‌های ژنتیکی و همچنین تشخیص عناصر عملکردی و غیرعملکردی ژنوم عملکرد قابل‌توجهی دارد.

پژوهشگران همزمان با انتشار مطالعه پیش‌بینی‌های مدل را در مقیاس کل ژنوم منتشر کرده‌اند. این پیش‌بینی‌ها گونه‌های ژنتیکی‌ای را برجسته می‌کنند که احتمال می‌رود بیشترین تاثیر را بر صفات ارثی داشته باشند.

زیست‌شناسان می‌توانند از این حاشیه‌گذاری‌ها و پیش‌بینی‌ها برای شناسایی ژن‌ها و عناصر تنظیمی مرتبط و انتخاب آنها برای مطالعات آزمایشگاهی بیشتر استفاده کنند.

اهمیت این موضوع از آنجا ناشی می‌شود که آزمایش تجربی تک‌تک گونه‌های ژنتیکی موجود در ژنوم انسان عملا امکان‌پذیر نیست. تعداد تغییرات احتمالی بسیار زیاد است و منابع آزمایشگاهی و زمان پژوهشگران محدود هستند.

سونگ تاکید کرد ابزار‌های خلاقانه زیادی برای بررسی اثر گونه‌های ژنتیکی توسعه یافته‌اند، اما امکان آزمایش تجربی تمام گونه‌های موجود در ژنوم وجود ندارد. 

به گفته او پیش‌بینی‌های GPN-Star می‌تواند به پژوهشگران کمک کند آزمایش‌هایی را در اولویت قرار دهند که احتمال دارد بیشترین تاثیر را بر درک و بهبود سلامت انسان داشته باشند.

مدلی برای توسعه و استفاده پژوهشگران دیگر

پژوهشگران دانشگاه برکلی امیدوارند نیاز پایین GPN-Star به منابع محاسباتی باعث شود گروه‌های تحقیقاتی بیشتری در سراسر جهان بتوانند این مدل را به کار بگیرند، آن را برای گونه‌ها یا کاربرد‌های مختلف سازگار کنند و نسخه‌های بهتری از آن توسعه دهند.

گونزالو بنگاس، یکی دیگر از نویسندگان اول این مطالعه گفت پیشرفت‌های قابل‌توجهی در این زمینه در حال انجام است اما هرچه افراد بیشتری بتوانند با این مدل‌ها کار کنند عملکرد آنها نیز بهتر خواهد شد.

نتایج این مطالعه در نشریه علمی Nature منتشر شده است.

انتهای پیام/