Se ha desarrollado un nuevo sistema predictivo de IA para predecir la actividad genética en células humanas con gran precisión. Investigadores del Colegio de Médicos y Cirujanos Vagelos de la Universidad de Columbia, dirigidos por Raúl Rabadon, PhD, han creado un modelo de IA para investigar y comprender mejor el funcionamiento interno de las células sanas y enfermas.
«Los modelos computacionales predictivos generalizables nos permiten descubrir procesos biológicos de una manera rápida y precisa», dijo Rabadon. «Estos métodos pueden realizar de manera eficiente experimentos computacionales a gran escala, estimulando y guiando los enfoques experimentales tradicionales».
Modelo y análisis publicados. la naturaleza en el informe,»Modelado basal de la transcripción entre tipos de células humanas.«.
El modelo recientemente desarrollado aborda una brecha en los métodos actuales de investigación biológica celular. Los métodos tradicionales están obsoletos–Analizar lo que ya hay allí o, en algunos experimentos, analizar lo que está sucediendo actualmente en la célula. A menudo se trata de experimentos que implican cambios incrementales de estado, que evalúan la respuesta celular a las condiciones.
Los métodos actuales no predicen con precisión la multitud de cambios potenciales que pueden ocurrir. Rabadon y su equipo desarrollaron un modelo de IA que es predictivo más que retrospectivo.
«Tener la capacidad de predecir con precisión las actividades celulares transformará nuestra comprensión de los procesos biológicos fundamentales», dijo Rabadon. Afirma que el impacto de esta nueva tecnología «cambiará la biología de una ciencia que describe procesos aparentemente aleatorios a la inferencia de los sistemas subyacentes que gobiernan el comportamiento celular».
Rabadon y su equipo pretendían aplicar modelos de IA a células normales; sin embargo, observaron que la mayoría de los modelos se centraban en tipos de células y enfermedades específicas. «Los modelos anteriores se entrenaron con datos de tipos de células específicos, que a menudo tenían poco parecido con líneas celulares cancerosas o células normales», dijo Rabadon.
El equipo de Columbia desarrolló su modelo de IA, GET (General Expression Transformer), para «revelar gramáticas reguladoras en 213 tipos de células adultas y embrionarias humanas». GET utiliza datos de accesibilidad de la cromatina y secuencias del genoma para predecir patrones de expresión genética de millones de células obtenidas de tejidos humanos normales. Estos datos entrenaron a GET para comprender cómo funcionan normalmente las células, lo que permite capacidades predictivas en células normales o enfermas.
GET realiza funciones similares a cómo funcionan ChatGPT y otras IA basadas en lenguajes. El modelo desarrolló reglas sobre cómo funcionan las células, como las reglas gramaticales en el núcleo de los grandes modelos de lenguaje (LLM). «Es lo mismo aquí: aprendemos la gramática en diferentes estados celulares y luego pasamos a cierto estado – podría ser una enfermedad o podría ser un tipo de célula normal – y podemos ver qué tan bien podemos inferir patrones a partir de esto. información», explicó Rabadon.
Al describir la nueva función de su modelo, los autores escribieron: «GET muestra una notable compatibilidad entre nuevas plataformas y ensayos de secuenciación, permite la determinación regulatoria en una amplia gama de tipos y condiciones de células, y revela factores de transcripción tanto universales como específicos de cada tipo de célula». . Redes de comunicación.»
Se evaluó el modelo para su uso en células enfermas, incluido el uso de leucemia pediátrica como modelo aplicado. GET se utilizó para predecir mutaciones que alteran la interacción de los factores de transcripción en los linfocitos, lo que «ilustra la importancia funcional de una mutación de la línea germinal que predispone al riesgo de leucemia», escribieron los autores. La predicción de GET ha sido confirmada con experimentos de laboratorio.
Además de su uso para comprender las consecuencias funcionales de las mutaciones en células enfermas, GET también puede extenderse a la investigación exploratoria de regiones del genoma no codificantes, a menudo reguladoras.
«La mayoría de las mutaciones encontradas en pacientes con cáncer se encuentran en las llamadas regiones oscuras del genoma. Estas mutaciones no afectan la función de las proteínas y permanecen en gran medida inexploradas», dijo Rabadon. «La idea es que con estas muestras podamos ver mutaciones e iluminar parte del genoma».
La capacidad de GET para generar predicciones precisas de la función celular en células sanas y no saludables abre la puerta a nuevas vías de experimentación y puede mejorar la velocidad y precisión de la comprensión de enfermedades complejas. Con avances continuos en IA, Rabadon prevé grandes aplicaciones de este y modelos similares en investigaciones futuras.
«Esta es realmente una nueva era en biología que es muy emocionante: convertir la biología en una ciencia predictiva».
