人工智能正在帮助科学家像解读语言一样解读基因行为，揭示基因如何聚类、转换角色并塑造疾病。西奈山的一种新模型从海量数据集中学习，预测缺失环节，聚焦被忽视的基因，并预示着更快速的生物医学发现。
人工智能已经改变了计算机理解人类语言的方式。现在，西奈山伊坎医学院的科学家们正在运用类似的想法来解码生物学中最大的谜团之一：基因如何在人体细胞内协同工作。
在一项新研究中，研究人员引入了一种基因集合基础模型（GSFM），旨在从数百万个生物数据集中学习基因之间的关系。该系统从诸如ChatGPT这样的大型语言模型中汲取灵感，后者能学习单词如何从语境中获得含义。然而，这个新的人工智能并非研究句子，而是研究基因群组。
由此产生的系统能够预测基因如何相互作用，识别功能不明的基因，甚至提出可能的疾病靶点。研究人员认为，这种模型最终可以改进药物发现、诊断和对人类疾病的理解。
“基因很少单独行动。相反，它们参与多个生物过程，根据它们在细胞中活跃的位置和时间形成不同的分子组合。一个单一的基因可以在不同的环境中扮演不同的角色，就像一个词在不同的句子中可以有不同含义一样，”西奈山生物信息学中心主任、药理学科学教授Avi Ma'ayan博士说。
“正如现代语言模型从语境中学习词汇含义一样，我们想知道人工智能是否也能以同样的方式学习基因的‘含义’。我们的GSFM正是为此而设计的。”
教会人工智能理解生物学
人体细胞包含数千个基因，但这些基因很少单独工作。它们形成网络、通路和分子团队，这些会随着细胞类型、疾病或环境而变化。
科学家们花了几十年时间试图理解这些关系。传统的实验可以揭示基因功能，但通常需要数年的实验室工作。这种新的人工智能模型旨在通过直接从大量生物数据中学习模式来加速这一过程。
为了构建这个系统，研究人员从已发表的研究和转录组数据集中收集了超过一百万个基因集。这些基因集来自两个主要资源，名为Rummagene和RummaGEO。
Rummagene从发表的科学论文中提取基因列表。RummaGEO从存储在基因表达综合数据库中的RNA测序研究中生成基因集。总的来说，这些数据集涵盖了数千种疾病、组织和实验条件。
合并后的资源包含超过62.6万个经过筛选的基因集，涵盖近9.7万个基因。然后，研究人员使用一种类似解谜的策略来训练人工智能。该模型接收不完整的基因集，并必须预测缺失的基因。
随着时间的推移，该系统学会了隐藏的生物模式。反复一起出现的基因在模型的内部表示中建立了联系。
将基因转化为生物语言
GSFM背后的概念与语言AI的工作方式非常相似。大型语言模型学习到，在相似语境中出现的单词通常具有相关的含义。例如，“医生”和“医院”这两个词经常一起出现。
基因的行为也类似。某些基因在免疫反应、癌症生长或组织修复过程中反复一起出现。通过学习这些模式，人工智能创建了称为嵌入的数学表示，从而捕捉基因之间的关系。
“细胞内基因的组织方式仍然是生物学中未解决的主要问题之一。GSFM通过从来自已发表研究和基因表达数据集的数百万个基因分组中学习，帮助解决了这个问题，”Ma'ayan博士说。
与早期主要依赖单细胞基因表达数据的生物AI系统不同，GSFM直接从通过各种研究方法收集的基因集中学习。这种更广泛的训练使得系统能够将来自疾病、分子研究和不同生物条件的信息整合到一个统一的框架中。
研究人员在开发过程中测试了多种AI架构。令人惊讶的是，一种相对简单的去噪自编码器性能优于变分自编码器和基于Transformer的方法等更复杂的系统。
最终的模型使用了一个大小为256维的隐藏层，并在大约50个训练周期后达到了最佳性能。
超越现有生物模型
为了测试系统，科学家们将GSFM与几种知名的生物AI工具和基因数据库进行了基准测试。他们评估了模型在已知生物通路和疾病过程中预测缺失基因的准确度。
该模型使用主要的生物库进行了测试，包括KEGG通路、基因本体论生物过程、GWAS目录和ChEA转录因子数据集。
在这些测试中，研究人员将已知的基因集分成两半。一半展示给AI，另一半则隐藏起来。然后模型尝试预测缺失的基因。
GSFM在多个基准测试中始终优于其他方法。它还成功预测了基因-基因关系和疾病关联，而这些在后来才被实验研究证实。
研究人员使用AUROC分数（一种用于评估预测准确性的常见统计方法）来衡量性能。使用Rummagene数据训练的GSFM取得了最强的整体结果。
该系统还超越了几个著名的模型，包括在数千万个单细胞数据集上训练的Geneformer和scGPT。
科学家认为GSFM的优势来自其训练数据的多样性。该模型不是专注于一种生物数据类型，而是从许多不同的实验背景中学习。
预测疾病基因和药物靶点
这种人工智能模型的功能不仅仅是预测缺失的基因。研究人员表示，它还能识别功能不明的基因，建议与疾病相关的通路，并发现潜在的药物靶点。
一个主要应用是基因集富集分析，这是一种广泛使用的方法，可帮助科学家解释实验中的基因列表。GSFM在此任务中提高了性能，并比以前的工具更准确地识别了有生物学意义的模式。
该团队还将该系统应用于蛋白质-蛋白质相互作用预测和基因-疾病关联研究。在一次演示中，研究人员测试了模型在铁死亡（一种与铁和脂质损伤相关的细胞死亡）上的表现。
使用已知的铁死亡基因集，GSFM预测了可能在该过程中发挥作用的额外基因。几个排名靠前的预测后来与科学文献中报道的发现相匹配。
一个例子涉及PLIN2基因，最近的研究将其与少突胶质细胞的铁死亡联系起来。在得到广泛证实之前，人工智能就将其识别为一个可能的候选基因。
这些类型的预测可以帮助研究人员确定实验室实验的优先顺序，并比以前更快地揭示生物机制。
更小的计算需求，更快的科学
尽管在庞大的生物数据集上进行了训练，但GSFM在计算上仍然高效。研究人员表示，训练数据仅需要大约1GB的存储空间，并且在标准硬件上训练模型大约需要30分钟。
这使得该系统比一些需要昂贵计算集群的大型AI模型更容易获得。
研究人员也已公开提供该模型。科学家可以探索预测结果，分析基因集，并访问可下载的基准测试数据。
源代码和预训练模型权重可通过GitHub和HuggingFace平台获取。
展望未来
西奈山团队计划通过将模型与其他AI系统结合来扩展它。未来的一个目标涉及将GSFM与能够生成基因功能通俗解释的语言模型连接起来。
另一个方向则侧重于将该模型与专注于药物的AI系统相结合，以预测药物如何与细胞相互作用。
研究人员认为，这类生物AI最终可能有助于指导精准医疗，即为个体定制的治疗方案。
这项工作也突显了科学领域的一个更广泛趋势。曾经为人类语言设计的AI系统正越来越多地被应用于生物学、化学和医学领域。
随着生物医学数据集持续快速增长，像GSFM这样的工具可能帮助科学家发现单靠人类无法识别的复杂模式。
研究的实际意义
这项研究可能通过帮助科学家无需数年的实验室测试就能识别基因功能，从而显著加速生物发现。研究人员可以利用该模型更快地发现疾病通路，识别新的生物标志物，并优先考虑有前景的药物靶点进行进一步研究。
该系统还可能改进科学家分析大型组学数据集的方式，包括基因组学、蛋白质组学和转录组学研究。对这些数据集更好的解读可以支持更早期的疾病检测和更个性化的治疗。
由于GSFM整合了来自多种生物条件的数据，它可以帮助研究人员发现以前难以检测的疾病之间的隐藏关系。未来，将GSFM与专注于药物的AI系统相结合，可以改善对疗法如何与人体细胞相互作用的预测，并加速新药的开发。
研究结果已在线发表于期刊《Patterns》。
【全文结束】