Глубокое обучение на клеточных сигнальных сетях создает ИИ для биологии единичных клеток

Глубокое обучение, основанное на искусственных нейронных сетях, стало мощным методом в биологии для предсказания фенотипов по геномным данным, например, типа клетки по профилям экспрессии генов. Однако стандартные нейронные сети работают как «черный ящик» и не объясняют связь между входными и выходными данными, что ограничивает их вклад в механистическое понимание молекулярных функций в клетках.

Чтобы решить проблему интерпретируемости, исследователи из CeMM — постдок Николас Фортельни и главный исследователь Кристоф Бок — предложили идею проводить глубокое обучение непосредственно на биологических сетях. Они создали «нейронные сети, основанные на знаниях» (knowledge-primed neural networks, KPNNs), которые базируются на сигнальных путях и генно-регуляторных сетях. В KPNNs каждый узел соответствует белку или гену, а каждое ребро имеет механистическую биологическую интерпретацию (например, белок A регулирует экспрессию гена B).

В новом исследовании, опубликованном в Genome Biology, ученые показали, что глубокое обучение на биологических сетях технически осуществимо и практически полезно. Заставляя алгоритм оставаться близким к процессам, закодированным в биологической сети, KPNNs создают мост между мощью глубокого обучения и нашими растущими знаниями о сложных биологических системах. В результате подход дает конкретные инсайты об изучаемых системах, сохраняя высокую точность предсказаний. Методология использует оптимизированный подход, который стабилизирует веса узлов при наличии избыточности, улучшает количественную интерпретируемость этих весов и учитывает неравномерную связность, присущую биологическим сетям.

Эффективность нового метода KPNN была продемонстрирована на больших наборах данных по единичным клеткам, включая компендиум из 483 084 транскриптомов единичных иммунных клеток, созданный консорциумом «Атлас клеток человека» (Human Cell Atlas). В этом наборе данных ученые обнаружили неожиданное разнообразие в определяющих тип клеток регуляторных сетях между иммунными клетками из костного мозга и пуповинной крови.

Метод KPNN сочетает предсказательную силу глубокого обучения (и его способность выводить уровни активности через множество скрытых слоев) с функциональной интерпретируемостью биологических сетей. KPNNs особенно полезны для данных single-cell RNA-seq, которые массово генерируются с помощью секвенирования единичных клеток. Более того, метод широко применим и в других областях биологии и биомедицины, где релевантные предшествующие знания могут быть представлены в виде сетей.

Предсказания и биологические инсайты, полученные с помощью KPNNs, будут полезны для изучения клеточной сигнализации и регуляции генов в здоровье и болезни, для поиска новых мишеней для лекарств и для выведения проверяемых биологических гипотез из данных секвенирования единичных клеток. В более широком смысле, исследование иллюстрирует будущее влияние, которое искусственный интеллект и глубокое обучение окажут на механистическую биологию по мере того, как научное сообщество научится делать результаты ИИ биологически интерпретируемыми.