Una nuova intelligenza artificiale scopre modelli nascosti nei grafici di conoscenza biomedica
L'intelligenza artificiale interpretabile collega geni, malattie e farmaci
Annunci
Un nuovo metodo di intelligenza artificiale (AI) chiamato BioPathNet aiuta i ricercatori a cercare sistematicamente le connessioni nascoste in grandi reti di dati biologici, dalle funzioni dei geni e dai meccanismi delle malattie ai potenziali approcci terapeutici. BioPathNet è stato sviluppato dai team di Helmholtz Munich e Mila - Quebec Artificial Intelligence Institute di Montreal, Canada. I ricercatori presentano il metodo sulla rivista Nature Biomedical Engineering.
L'intelligenza artificiale interpretabile collega geni, malattie e farmaci
I "grafi della conoscenza" biomedici sono mappe strutturate che collegano geni, proteine, malattie, farmaci e processi biologici, catturando le loro relazioni per aiutare sia gli esseri umani che l'intelligenza artificiale a comprendere la biologia e la medicina in modo sistematico. Tuttavia, queste reti rimangono incomplete: molte relazioni che i ricercatori si aspettano esistano non sono ancora state documentate.
BioPathNet è un metodo di IA per analizzare tali grafi di conoscenza biomedica. A differenza di molti approcci esistenti, non si limita a esaminare singoli punti di dati, ma intere catene di relazioni, ad esempio da un gene, attraverso una via di segnalazione, a una malattia e a un potenziale farmaco. "Da migliaia di questi schemi, il modello impara quali nuove connessioni biologicamente plausibili sono probabili", spiega Emy Yue Hu, primo autore dello studio e dottorando presso l'Istituto di Biologia Computazionale (ICB) di Helmholtz Monaco. "Su questa base, BioPathNet propone ipotesi che possiamo poi testare in laboratorio o in studi clinici". Un vantaggio fondamentale di BioPathNet è che le sue previsioni sono interpretabili: per ogni suggerimento, il modello è in grado di tracciare quali percorsi nel grafo della conoscenza hanno portato a quella previsione.
Trasformare i punti dati in ipotesi testabili
Nel corso di test approfonditi, il team guidato dalla dott.ssa Annalisa Marsico, leader del gruppo presso l'ICB e ricercatore principale del progetto, ha applicato BioPathNet a un'ampia gamma di compiti: prevedere le funzioni dei geni, scoprire le relazioni tra le malattie, identificare potenziali bersagli per la terapia del cancro e suggerire nuove indicazioni per i farmaci esistenti. Per malattie complesse come la leucemia, il cancro gastrico e il morbo di Alzheimer, BioPathNet non solo ha riscoperto terapie note, ma ha anche evidenziato composti che sono già in fase di sperimentazione clinica. "Per noi era fondamentale non costruire un altro modello black-box", sottolinea Marsico. "Per ogni previsione possiamo ispezionare i percorsi più importanti nel grafo e discutere con gli esperti del dominio se hanno un senso biologico".
BioPathNet non è quindi un motore di raccomandazione automatica di terapie, ma uno strumento di generazione di ipotesi: la qualità dei suoi suggerimenti dipende dai dati sottostanti e ogni connessione prevista deve essere convalidata sperimentalmente o clinicamente. A lungo termine, i ricercatori considerano il metodo come un tassello per la creazione di modelli di base per i grafi di conoscenza biomedici, che possono essere perfezionati per molti compiti diversi, dalla riproposizione di farmaci e dalla dissezione dei meccanismi delle malattie fino alle applicazioni al di fuori della medicina. "Il nostro obiettivo non è una cura miracolosa alimentata dall'intelligenza artificiale", afferma Marsico. "Vogliamo uno strumento che ci aiuti a utilizzare meglio le reti di dati biomedici esistenti e a proporre nuove idee per esperimenti e terapie".
Unire le discipline per costruire BioPathNet
L'idea di BioPathNet è emersa durante un soggiorno di ricerca di Emy Yue Hu al Mila. Inizialmente aveva previsto di lavorare a un progetto sull'inquinamento atmosferico, ma i dati disponibili non si sono rivelati adatti. Insieme ai suoi supervisori, ha cercato una nuova domanda di ricerca basata sui dati e si è imbattuta in grandi grafi di conoscenza biomedica, che contengono già una grande quantità di informazioni sparse su geni, malattie e terapie. L'esperienza del team Mila nel campo dell'apprendimento automatico è stata fondamentale per lo sviluppo degli algoritmi alla base di BioPathNet, che si basa sul framework della rete neurale a grafo NBFNet, garantendo sia la potenza predittiva che l'interpretabilità. "BioPathNet è stato possibile solo grazie all'interdisciplinarità del team", afferma Hu. "Esperti di biologia computazionale, matematica, biofisica e informatica hanno lavorato a stretto contatto tra le sedi di Montreal e Monaco". Come strumento open-source, BioPathNet è ora a disposizione dei ricercatori di tutto il mondo per esplorare i meccanismi biomedici.
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Inglese può essere trovato qui.
Pubblicazione originale
Altre notizie dal dipartimento scienza
