«Мы хотим понять, как ячейки принимают решения, чтобы мы могли контролировать решения, которые они принимают», — сказала Неда Багери из Северо-Западного университета. «Клетка может решить бесконтрольно делиться, как в случае рака. Если мы поймем, как клетки принимают это решение, то мы сможем разработать стратегии вмешательства».
Чтобы лучше понять загадочные взаимодействия, происходящие внутри клеток, Багери и ее команда разработали новый алгоритм машинного обучения, который может помочь соединить точки между взаимодействиями генов внутри сотовых сетей. Алгоритм, получивший название «вывод скользящего окна для создания сети» или SWING, использует данные временных рядов для выявления базовой структуры сотовых сетей.При поддержке Национального научного фонда, Национальных институтов здравоохранения и Программы обучения биотехнологии Северо-Западного региона исследование было опубликовано в Интернете сегодня в Proceedings of the National Academy of Sciences. Джастин Финкл и Джиа Ву, аспиранты лаборатории Багери, были соавторами статьи.
В биологических экспериментах исследователи часто беспокоят субъекта, изменяя его функцию, а затем измеряют реакцию субъекта. Например, исследователи могут применить лекарство, которое нацелено на уровень экспрессии гена, а затем наблюдать за реакцией гена и последующих компонентов. Но этим исследователям трудно понять, было ли изменение генетического ландшафта прямым действием препарата или влиянием других действий, происходящих внутри клетки.
«В то время как многие алгоритмы опрашивают реплики-сигналы, — сказал Финкль, — мы использовали данные временных рядов более творчески, чтобы выявить связи между различными генами и расположить их в причинном порядке».SWING формирует более полную картину причинно-следственных взаимодействий, происходящих между генами, за счет включения временных задержек и скользящих окон. Вместо того, чтобы смотреть только на отдельные возмущения и отклики, SWING использует высокопроизводительные данные с временным разрешением, чтобы интегрировать время, необходимое для возникновения этих откликов.
«Другие алгоритмы предполагают, что клеточные ответы проявляются более или менее равномерно во времени», — сказал Ву. «Мы включили окно, которое включает в себя разные временные диапазоны, поэтому оно фиксирует ответы с динамическими профилями или разными задержками во времени».«Динамика действительно важна, потому что это не только то, реагирует ли клетка на определенный ввод, но и то, как», — добавил Багери. «Это медленно? Это быстро?
Это пульсоподобно или более динамично? Если я введу лекарство, например, будет ли клетка иметь немедленный ответ, а затем восстановиться или стать устойчивой к лекарству?
Понимание этой динамики может помочь дизайн новых лекарств ».После разработки алгоритма команда Багери проверила его в лаборатории как в компьютерном моделировании, так и в лабораторных условиях на моделях E. coli и S. cerevisiae. Алгоритм имеет открытый исходный код и теперь доступен в Интернете.
И хотя изначально он был разработан для исследования загадочной внутренней жизни клеток, алгоритм может быть применен ко многим объектам, которые проявляют активность с течением времени.«Эта структура не специфична для передачи сигналов клетки или даже для биологического контекста», — сказал Багери. «Его можно использовать в очень широком контексте, например, в экономике или финансах.
Мы ожидаем, что это может иметь большое влияние».