Майбутнє виробництва ліків: науковці презентували унікальний аналізатор генів.

Дослідники Массачусетського технологічного інституту досягли значного прогресу в геноміці, представивши теоретичні основи методу, що дозволяє групувати гени для виведення причинно-наслідкових зв'язків на основі лише даних спостережень. Такий підхід дозволяє обійтися без дорогих і складних з етичної точки зору експериментів, які традиційно передбачають маніпулювання генними мережами для вивчення їх взаємодії, пише Massachusetts Institute of Technology.

Зосередившись на аналізі даних спостережень, вчені можуть отримати уявлення про складні генні програми, які диктують клітинні функції, і, можливо, зрозуміти розвиток різних захворювань, що може стати ключовим моментом у пошуку ліків від них. Генетика людини складна, в ній задіяно близько 20 000 генів, які взаємодіють складним чином, часто утворюючи "модулі", де групи генів регулюють одна одну.

Новий метод Массачусетського технологічного інституту націлений на вирішення цієї проблеми шляхом виявлення і групування пов'язаних генів, що дозволяє дослідникам спостерігати закономірності і причинно-наслідкові зв'язки без необхідності втручання в дані. Цей підхід використовує алгоритми машинного навчання для виділення груп генів і виведення причинно-наслідкових зв'язків — процес, зазвичай залежний від більш прямих, але ресурсомістких експериментальних втручань.

Аспірант Цзяци Чжан, співавторка дослідження, підкреслює багатошарову природу клітинних структур, зазначаючи, що агрегація подібних даних вимагає ретельної обробки для отримання точних висновків. Вибравши відповідний спосіб агрегації даних про спостережувані гени, нова методика дозволяє більш ефективно інтерпретувати глибинні механізми клітинних процесів.

До команди Чжан увійшли Райан Уелч і старший автор Керолайн Улер, обидва з яких мають досвід роботи в Массачусетському технологічному інституті та Інституті Броуд. Улер зазначає, що теоретична робота відіграє важливу роль у наданні спостережуваним даним значущості для причинно-наслідкового аналізу в геноміці. Процес, розроблений командою Массачусетського технологічного інституту, включає обчислення математичної функції, відомої як дисперсія Якобіана, для кожної змінної, фільтруючи некаузальні змінні, щоб відновити шари взаємодії генів.

Це дозволяє отримати пошарове уявлення, яке спрощує процес взаємозв'язку та впливу груп генів, або "модулів", один на одного. Алгоритм ефективно виявляє ці причинно-наслідкові структури, незважаючи на складність обробки комбінацій змінних з нульовою дисперсією — крок, критично важливий для створення достовірної моделі взаємин генів. Імітаційне тестування підтвердило надійність підходу, продемонструвавши, що алгоритм успішно розплутує складні взаємодії генів навіть без втручання.

У практичному застосуванні цей метод може сприяти розробці лікарських препаратів шляхом виявлення конкретних генів-мішеней та їх взаємозв'язків, що може призвести до створення більш точних і ефективних методів лікування. Дослідники також планують використовувати алгоритм для уточнення експериментів, що об'єднують дані спостережень і деякі доступні дані втручань, що дозволить ще більше поліпшити стратегії генетичного маніпулювання.

Для суспільства це дослідження пропонує новий шлях для аналізу біологічних даних, коли даних спостережень достатньо для встановлення причинно-наслідкових зв'язків. Цей підхід відкриває перспективи для вдосконалення методів лікування складних захворювань, в яких генетичні фактори відіграють важливу роль, задовольняючи потребу в обчислювальних моделях, які допоможуть лікарям подолати обмеження традиційних, практичних генетичних експериментів. Розробка та застосування цієї методики є кроком вперед у персоналізованій медицині, дозволяючи використовувати індивідуальні підходи до лікування завдяки кращому розумінню функцій та взаємодії генів.