Gen ifadesindeki değişiklikleri inceleyerek, araştırmacılar hücrelerin moleküler düzeyde nasıl işlediğini öğreniyor ve bu bilgiler belirli hastalıkların gelişimini anlamalarına yardımcı olabiliyor.
Ancak insanın yaklaşık 20,000 geni olduğu düşünüldüğünde, bu genlerin karmaşık etkileşimleri nedeniyle hedeflenmesi gereken gen gruplarını belirlemek oldukça zor bir problem. Üstelik genler, birbirlerini düzenleyen modüller halinde işbirliği yapıyor.
MIT araştırmacıları, artık bir grup geni bir araya getirmenin en iyi yolunu belirlemeyi sağlayan teorik temeller geliştirdi. Bu yöntem, birçok gen arasındaki sebep-sonuç ilişkilerini etkili bir şekilde öğrenmek için gereken gen gruplarını belirlemeye yardımcı oluyor.
Önemli bir nokta, bu yeni yöntemin yalnızca gözlemsel veriler kullanarak gerçekleştirilmesi. Yani araştırmacılar, altta yatan neden-sonuç ilişkilerini ortaya çıkarmak için maliyetli ve bazen uygulanması imkansız olan müdahale deneyleri yapmalarına gerek kalmıyor.
Uzun vadede, bu teknik bilim insanlarının belirli davranışları indüklemek için potansiyel gen hedeflerini daha doğru ve etkili bir şekilde tanımlamalarına yardımcı olabilir ve bu da daha hassas tedavi yöntemlerinin geliştirilmesini sağlayabilir.
“Genomik araştırmalarda hücre durumlarının altında yatan mekanizmayı anlamak çok önemlidir. Ancak hücrelerin çok ölçekli bir yapısı vardır, bu nedenle özetleme düzeyinin de çok önemli olduğunu düşünüyorum. Gözlemlenen verileri doğru şekilde birleştirirseniz, sistem hakkında öğrendiğiniz bilgiler daha yorumlanabilir ve faydalı olmalıdır.” diyor Jiaqi Zhang, Eric ve Wendy Schmidt Merkezi Bursiyeri ve bu tekniği konu alan bir makalenin baş yazarı.
Zhang’a, makalede Ryan Welch (şu anda mühendislik yüksek lisans öğrencisi) ve Caroline Uhler (Elektrik Mühendisliği ve Bilgisayara Bilimleri Bölümü ile Veri, Sistemler ve Toplum Enstitüsü’nde profesör) eşlik etmekte. Uhler, ayrıca MIT ve Harvard’daki Broad Institute’da Eric ve Wendy Schmidt Merkezi’nin direktörü ve MIT’nin Bilgi ve Karar Sistemleri Laboratuvarı (LIDS) araştırmacısıdır. Bu araştırma, Sinir Bilgi İşleme Sistemleri Konferansı’nda sunulacak.
Gözlemsel Verilerden Öğrenmek
Araştırmacıların üzerinde çalıştığı sorun, genlerin birlikte nasıl çalıştığını öğrenmektir. Bu gen programları, hücre gelişimi veya farklılaşma gibi biyolojik süreçlerde hangi genlerin birlikte çalıştığını tanımlar.
20,000 genin etkileşimlerini etkili bir şekilde incelemek zor olduğu için bilim insanları, ilgili gen gruplarını bir araya getirerek sebep-sonuç ilişkilerini keşfetmelerini sağlayan müdahale ayrıştırma tekniklerini kullanıyorlar.
Önceki çalışmalarda, bu tür bir yaklaşımın etkili bir şekilde müdahale verileri kullanılarak yapılabileceği gösterildi; ancak müdahale deneyleri maliyetli olabilir ve bazı durumlarda hayati tehlike arz edebilir. Öyle ki, bazı deneyler etik olmayabilir veya teknolojik yetenekler müdahalenin başarılı olabilmesini sağlayamayabilir.
Gözlemsel verilerle, araştırmacılar genlerin nasıl çalıştığını inceleyemiyor. “Çoğu müdahale ayrıştırma çalışması, müdahale verilerini göz önünde bulunduruyor, bu yüzden yalnızca gözlemsel verilere dayanarak ne kadar bilgi ayrıştırılabileceği belirsizdi” diyor Zhang.
Katsayıların Katmanlı Temsili
MIT araştırmacıları, yalnızca gözlemsel veri kullanarak gözlemlenen değişken gruplarını etkili bir şekilde belirlemek ve bir araya getirmek için daha genel bir yaklaşım geliştirdiler. Bu yöntem, neden-sonuç modüllerini tanımlıyor ve altında yatan neden-sonuç mekanizmasının doğru bir temsilini yeniden inşa etme imkanı sunuyor.
İstatistiksel teknikler kullanarak, araştırmacılar her değişkenin puanının Jacobian katsayısının varyansını hesaplayabiliyorlar. Hiçbir sonraki değişkeni etkilemeyen neden-sonuç değişkenleri sıfır varyansa sahip olmalıdır.
Araştırmacılar, alt katmandaki sıfır varyansa sahip değişkenleri kaldırarak katmanlı bir yapı ile temsili yeniden kuruyorlar. Sonraki aşamalarda, sıfır varyansa sahip değişkenleri katman katman kaldırarak hangi değişkenlerin veya gen gruplarının birbirine bağlı olduğunu belirliyorlar.
“Sıfır varyansa sahip değişkenleri tanımlamak hızla karmaşık bir sorun haline geliyor. Bu problemi çözebilecek etkili bir algoritmanın geliştirilmesi önemli bir zorluktu” diyor Zhang.
Sonuç olarak, bu yöntem, gözlemlenen verilerin soyut bir temsilini katmanlar halinde çıkaran bir yapı çıkarıyor. Her değişken, birlikte çalışan genlerin bir grubunu temsil ediyor ve iki değişken arasındaki ilişki, bir gen grubunun diğerini nasıl düzenlediğini gösteriyor. Yöntem, her katmandaki değişkenleri belirlemede kullanılan tüm bilgileri etkili bir şekilde yakalıyor.
Bu teknik teorik olarak sağlam olduğunda, araştırmacılar yalnızca gözlemsel veri kullanarak anlamlı neden-sonuç temsillerini çıkarabildiklerini gösteren simülasyonlar gerçekleştirdiler.
Gelecekteki Uygulamalar
Gelecekte, araştırmacılar bu tekniği gerçek dünyadaki genetik uygulamalara uyarlamak istiyorlar. Ayrıca, bu yöntemin bazı müdahale verilerinin mevcut olduğu durumlardaki ek içgörüler sağlayıp sağlamadığını veya bilim insanlarının etkili genetik müdahaleler tasarlaması konusunda nasıl yardımcı olabileceğini keşfetmek istiyorlar.
Bu yöntem, araştırmacıların hangi genlerin birbirleriyle aynı programda birlikte çalıştığını daha verimli bir şekilde belirlemelerine yardımcı olabilir ve bu da belirli hastalıkları tedavi etmek için bu genleri hedef alan ilaçlar geliştirmelerine olanak tanıyacaktır.
Bu araştırma, kısmen MIT-IBM Watson AI Laboratuvarı ve ABD Deniz Kuvvetleri Araştırma Ofisi tarafından finanse edilmektedir.
