KI-Modell sagt Genaktivität voraus und revolutioniert die Biologie: GET der Columbia University

Forscher der Columbia University haben ein KI-Modell, den General Expression Transformer (GET), entwickelt, das die Genexpression in Zellen vorhersagen kann. Diese Entwicklung zielt darauf ab, das Verständnis von genetischen Krankheiten und Krebs zu erweitern und den Weg für zellspezifische Gentherapien zu ebnen. GET wurde mit einem Ansatz trainiert, der dem von Sprachmodellen wie ChatGPT ähnelt. Während ChatGPT die Grammatik der Sprache lernt, lernte GET die zugrunde liegenden Regeln für Gene: wie sie aktiviert oder deaktiviert werden und wie ihre Aktivität reguliert wird. Diese Fähigkeit, die Genexpression vorherzusagen, ist entscheidend, da Proteine bei nahezu allen biologischen Prozessen eine Rolle spielen. Raul Rabadan, ein Studienautor und Direktor des Programms für mathematische Genomik an der Columbia University, erklärte, dass "sich die Biologie in eine prädiktive Wissenschaft verwandelt", was möglicherweise "eine Revolution in der Biologie" darstellt. Die Daten, die zum Trainieren von GET verwendet wurden, stammen von über 1,3 Millionen Zellen und decken 213 verschiedene Zelltypen im menschlichen Körper ab. Mark Gerstein, Professor für biomedizinische Informatik an der Yale School of Medicine, merkte an, dass Experten seit Jahren versuchen, Vorhersagen über die Genregulation zu treffen. Ein bemerkenswerter Aspekt von GET ist seine Fähigkeit, Vorhersagen über Zelltypen zu treffen, die nicht direkt im Training enthalten waren. Die Forscher hoffen, dass das Modell bei der Entwicklung von Gentherapien helfen wird, die Mutationen korrigieren, die bestimmte Zelltypen schädigen. Die Fähigkeit, vorherzusagen, welche Gene in verschiedenen Zellen ein- oder ausgeschaltet sind, könnte helfen, die Ursprungszelle einer Krankheit zu bestimmen. GET könnte auch die Entscheidungsfindung in der Forschung erleichtern. In der Krebsforschung, wo oft zahlreiche Mutationen im Genom vorhanden sind, könnte GET helfen, relevante genetische Kombinationen zu identifizieren und so die Forschungsbemühungen zu rationalisieren.