.
Uma equipe de cientistas da computação da Universidade de Nova York criou uma rede neural que pode explicar como ela atinge suas previsões. O trabalho revela o que explica a funcionalidade das redes neurais – os motores que impulsionam a inteligência artificial e a aprendizagem automática – iluminando assim um processo que tem sido em grande parte ocultado dos utilizadores.
A descoberta centra-se numa utilização específica de redes neurais que se tornou popular nos últimos anos – abordando questões biológicas desafiantes. Entre estes estão os exames das complexidades do splicing do RNA – o ponto focal do estudo – que desempenha um papel na transferência de informações do DNA para o RNA funcional e produtos proteicos.
“Muitas redes neurais são caixas pretas – esses algoritmos não conseguem explicar como funcionam, levantando preocupações sobre sua confiabilidade e sufocando o progresso na compreensão dos processos biológicos subjacentes à codificação do genoma”, diz Oded Regev, professor de ciência da computação no Courant Institute of Mathematical da NYU. Sciences e o autor sênior do artigo, que aparece no Anais da Academia Nacional de Ciências. “Ao aproveitar uma nova abordagem que melhora a quantidade e a qualidade dos dados para o treinamento de aprendizado de máquina, projetamos uma rede neural interpretável que pode prever com precisão resultados complexos e explicar como chega às suas previsões.”
Regev e os outros autores do artigo, Susan Liao, professora do Instituto Courant, e Mukund Sudarshan, estudante de doutorado do Courant na época do estudo, criaram uma rede neural baseada no que já se sabe sobre o splicing de RNA.
Especificamente, eles desenvolveram um modelo – o equivalente baseado em dados de um microscópio de alta potência – que permite aos cientistas rastrear e quantificar o processo de splicing do RNA, desde a sequência de entrada até a previsão de splicing de saída.
“Usando uma abordagem ‘interpretável por design’, desenvolvemos um modelo de rede neural que fornece insights sobre o splicing do RNA – um processo fundamental na transferência de informações genômicas”, observa Regev. “Nosso modelo revelou que uma pequena estrutura em forma de grampo no RNA pode diminuir o splicing.”
Os pesquisadores confirmaram os insights que seu modelo fornece por meio de uma série de experimentos. Esses resultados mostraram uma correspondência com a descoberta do modelo: sempre que a molécula de RNA se dobrava em uma configuração em gancho, o splicing era interrompido e, no momento em que os pesquisadores rompiam essa estrutura em gancho, o splicing era restaurado.
A pesquisa foi apoiada por doações da National Science Foundation (MCB-2226731), da Simons Foundation, da Life Sciences Research Foundation, de um prêmio de desenvolvimento de carreira de empreendimentos adicionais e de uma bolsa PhRMA.
.
