علت و تئوری تحقیق برای مطالعه روابط علّی غیر یهودیان | اخبار MIT

محققان با مطالعه تغییرات در بیان ژن ، می آموزند که چگونه سلول ها در سطح مولکولی عملکرد دارند ، که می تواند به آنها در درک پیشرفت بیماری های خاص کمک کند.

اما یک نفر حدود 20،000 ژن دارد که می تواند از راه های پیچیده تحت تأثیر یکدیگر قرار بگیرد ، بنابراین حتی اگر بدانیم کدام گروه از ژن ها برای هدف قرار می گیرند ، یک مشکل بسیار پیچیده است. همچنین ، ژن ها در ماژول هایی که یکدیگر را تنظیم می کنند با هم کار می کنند.

محققان MIT اکنون برای روش هایی مبانی نظری ایجاد کرده اند که می تواند بهترین راه برای جمع آوری ژن ها در گروه های مرتبط را مشخص کند تا آنها بتوانند پیوندهای اصلی بین علل و تأثیرات بین ژن ها را به طور مؤثر بیاموزند.

نکته مهم این است که این روش جدید با استفاده از داده های مشاهده فقط به این امر دست می یابد. این بدان معناست که محققان برای به دست آوردن داده های لازم برای نمایش پیوندهای علی ، نباید آزمایش های مداخله ای گران و گاه غیرممکن باشند.

در طولانی مدت ، این تکنیک می تواند به دانشمندان کمک کند تا اهداف ژن بالقوه را برای برانگیختن رفتار خاص به روشی دقیق تر و مؤثرتر شناسایی کنند ، که به طور بالقوه به آنها امکان می دهد درمان های دقیق را برای بیماران ایجاد کنند.

“در ژنومیک ، درک مکانیسمی که زیربنای شرایط سلولی است ، بسیار مهم است. اما سلول ها دارای ساختار چند مقیاس هستند ، بنابراین سطح خلاصه نیز بسیار مهم است. اگر راه درست برای خلاصه کردن داده های مشاهده شده را پیدا کنید ، اطلاعاتی که در مورد سیستم می آموزید باید تفسیر و مفیدتر باشد. “

جیان توسط نویسنده همكاران رایان ولچ ، در حال حاضر دانشجوی کارشناسی ارشد مهندسی به روزنامه می پیوندد. و نویسنده ارشد کارولین اولر ، استاد گروه مهندسی برق و علوم کامپیوتر (EEC) و انستیتوی داده ها ، سیستم ها و جامعه (IDSS) ، که همچنین مدیر مرکز اریک و وندی اشمیت در موسسه MIT و هاروارد و محقق در آزمایشگاه MIT است. این نظرسنجی در کنفرانس سیستم های پردازش اطلاعات عصبی ارائه خواهد شد.

یادگیری از داده های مشاهده

مشکلی که محققان در تلاش برای مقابله با آنها هستند شامل برنامه های آموزش ژن است. این برنامه ها توصیف می کنند که ژن ها با هم برای تنظیم ژن های دیگر در یک فرآیند بیولوژیکی مانند رشد سلول یا تمایز کار می کنند.

از آنجا که دانشمندان نمی توانند به طور مؤثر مطالعه کنند که چگونه همه 20،000 ژن در تعامل هستند ، آنها از تکنیکی به نام اختلال علی استفاده می کنند تا یاد بگیرند که چگونه گروه های ژن مرتبط را با نمایشی ترکیب کنند که به آنها امکان می دهد روابط علل و تأثیر را به طور مؤثر بررسی کنند.

در کار قبلی ، محققان نشان می دهند که چگونه می توان این کار را به طور مؤثر در حضور داده های مداخله ای انجام داد که داده های به دست آمده از طریق متغیرهای شبکه مزاحم به دست می آیند.

اما انجام آزمایش های مداخله اغلب گران است و برخی از سناریوها وجود دارد که چنین آزمایشاتی غیر اخلاقی است یا فناوری به اندازه کافی برای موفقیت در مداخله مناسب نیست.

محققان فقط با داده های مشاهده ، نمی توانند ژن ها را قبل و بعد از مداخله مقایسه کنند تا یاد بگیرند که چگونه گروه های ژن با هم کار می کنند.

جیان می گوید: “بیشتر مطالعات در مورد اختلال علت و معلول دسترسی به مداخلات را فراهم می کند ، بنابراین هنوز مشخص نیست که شما فقط می توانید اطلاعات را فقط با داده های مشاهده تشخیص دهید.”

محققان MIT یک رویکرد کلی تر ایجاد کرده اند که از یک الگوریتم برای یادگیری ماشین استفاده می کند تا به طور مؤثر گروه های متغیرهای مشاهده شده را شناسایی و جمع کند ، به عنوان مثال. ژن ها فقط با استفاده از داده های مشاهده.

آنها می توانند از این تکنیک برای شناسایی ماژول های علی و بازسازی ارائه اصلی مکانیسم اتصال علی استفاده کنند. “در حالی که این مطالعه از مشکل شفاف سازی برنامه های سلولی انگیزه یافته بود ، ما ابتدا مجبور شدیم یک نظریه علی جدید را توسعه دهیم تا درک کنیم که چه چیزی می تواند و نمی توان از داده های مشاهده آموخت. با استفاده از این تئوری ، در کار آینده می توانیم درک خود را از داده های ژنتیکی به کار ببریم و ماژول های ژن و همچنین روابط نظارتی آنها را شناسایی کنیم. “

طرح

با استفاده از تکنیک های آماری ، محققان می توانند یک عملکرد ریاضی موسوم به پراکندگی برای ارزیابی هر متغیر را محاسبه کنند. متغیرهای علّی که بر متغیرهای بعدی تأثیر نمی گذارد ، باید تنوع صفر داشته باشند.

محققان عملکرد را در ساختار لایه -by -layer بازسازی می کنند و از حذف متغیرها در لایه پایین ، که انحراف صفر دارند ، شروع می کنند. سپس آنها به عقب کار می کنند ، لایه بر روی لایه ، از بین می برند و متغیرهای صفر را از بین می برند تا مشخص کنند کدام متغیرها یا گروههای ژن به هم وصل می شوند.

جیان می گوید: “تعیین تغییرات صفر به سرعت به یک هدف ترکیبی تبدیل می شود که حل آن بسیار دشوار است ، بنابراین ساختن یک الگوریتم مؤثر که قابل حل است ، یک چالش بزرگ بود.”

در پایان ، روش آنها بازنمایی انتزاعی از داده های مشاهده شده با لایه های متغیرهای به هم پیوسته را نشان می دهد ، که به طور خلاصه ساختار اساسی علل و اثرات را خلاصه می کند.

هر متغیر یک گروه از ژن های جمع شده است که با هم کار می کنند و اتصال بین دو متغیر این است که چگونه یک گروه از ژن ها گروه دیگر را تنظیم می کنند. روش آنها به طور موثری تمام اطلاعات مورد استفاده برای تعیین هر لایه متغیرها را ضبط می کند.

محققان پس از اثبات اینکه تکنیک آنها از نظر تئوری قوی است ، شبیه سازی هایی را انجام داده اند تا نشان دهند که الگوریتم می تواند به طور موثری ایده های علیت قابل توجهی را با استفاده از داده های مشاهده فقط از هم جدا کند.

در آینده ، محققان می خواهند این تکنیک را در برنامه های ژنتیک واقعی -دنیای واقعی استفاده کنند. آنها همچنین می خواهند مطالعه كنند كه چگونه روش آنها می تواند اطلاعات اضافی را در شرایطی كه برخی از داده های مداخله در دسترس هستند ارائه دهند ، یا به دانشمندان كمك كنند كه چگونه مداخلات ژنتیکی مؤثر را طراحی كنند. در آینده ، این روش می تواند به محققان کمک کند تا به طور مؤثر تعیین کنند که کدام ژن ها در همان برنامه با هم کار می کنند ، که می تواند به شناسایی داروهایی که می توانند روی این ژن ها برای درمان برخی از بیماری ها متمرکز شوند ، کمک کند.

این مطالعه تا حدودی توسط سرویس نیروی دریایی ایالات متحده ، مؤسسات ملی بهداشت ، وزارت انرژی ایالات متحده ، جایزه محقق سیمونز ، مرکز اریک و وندی اشمیت در موسسه گسترده ، مطالعات کارشناسی پیشرفته در MIT و Apple AI تأمین می شود.