Nové algoritmy pro predikci genové exprese
Výzkumný tým ze společnosti Altos Labs představil v preprintu zveřejněném na serveru arXiv nový algoritmus strojového učení, který je schopen předpovídat reakce genové exprese buněk na konkrétní zásahy. Tento model, nazvaný PRiMeFlow, představuje posun v oblasti počítačového modelování biologických procesů, které jsou kvůli své komplexnosti pro standardní simulace značně náročné.
Význam počítačových predikcí v biologii
Současné metody výzkumu, jako je sekvenování RNA, umožňují testovat vlivy genetických modifikací a malých molekul na buňky. Možnost kombinací těchto zásahů je však natolik rozsáhlá, že ji nelze efektivně pokrýt pouze laboratorním testováním in vitro. Algoritmy strojového učení proto slouží jako nástroj pro výběr nejslibnějších zásahů v digitálním prostředí, které jsou následně ověřovány v laboratorních podmínkách předtím, než postoupí do fáze testování na zvířecích modelech či lidech.
Technická architektura modelu PRiMeFlow
Algoritmus PRiMeFlow pracuje přímo v prostoru genové exprese, čímž se liší od předchozích řešení, která data komprimovala do prostorů s nižší dimenzí. Výzkumníci k tomuto účelu využili architekturu U-net. Jde o neobvyklou volbu, neboť U-net je standardně využíván pro prostorově orientované úlohy, zatímco uspořádání genové exprese není v tomto smyslu fixní. Autoři studie uvádějí, že při pokusech o nahrazení této architektury vícevrstvým perceptronem došlo ke zhoršení přesnosti predikcí. Příčiny tohoto jevu zatím nejsou zcela objasněny a autoři naznačují, že budoucí výzkum by se měl zaměřit na mechanismy cross-attention, které by mohly efektivněji shromažďovat informace bez ohledu na prostorové vztahy.
Výsledky testování a benchmarky
Model PRiMeFlow dosáhl v testování na platformě PerturBench výsledků, které odpovídají současné technologické špičce. V rámci tří klíčových benchmarků, které hodnotí schopnost predikce vlivu zásahů za různých podmínek a napříč odlišnými typy buněk, vykazoval vysokou přesnost. V testech na lidských embryonálních kmenových buňkách po následném doladění modelu patřily výsledky PRiMeFlow k nejpřesnějším v porovnání s ostatními modely dostupnými v databázi.
Autoři projektu vidí v tomto vývoji potenciální základ pro budoucí tvorbu virtuálních buněk, které by mohly teoreticky sloužit k modelování celých virtuálních organismů. Současně však upozorňují, že k dosažení tohoto cíle bude nutné překonat řadu přetrvávajících algoritmických a výpočetních omezení.