ხალხურ სხეულში ყოველი უჯრედი იყოფა ერთნაირი გენეტიკური სეკვენციის მიხედვით, თუმცა თითოეული კონკრეტულ გენებს გამოხატავს, რაც შლის გონების უჯრედს კანით უჯრედებისგან. ეს უნიკალური გენური გამოხატვის სიმპტომები გენეტიკური მასალის სამმხრივი განლაგების გავლენით წარმოიქმნება, რაც განასხვავებს გენების ხელმისაწვდომობას. MIT-ის მკვლევარებმა შექმნეს ახალი მეთოდი ამ 3D გენომური სტრუქტურების ანალიზისთვის გენერაციული ხელოვნური ინტელექტის გამოყენებით, რაც მათ საშუალებას აძლევს, წინასწარ შეცვალონ ათასობით სტრუქტურა წუთებში. ეს განვითარების პროცესი გაცილებით სწრაფია ტრადიციულ ექსპერიმენტულ ტექნიკებთან შედარებით. კვლევების წამყვანი ავტორი, ასოცირებული პროფესორი ბინ ჟანგი, მიზნად ისახავს DNA სექვენციების დაკავშირებას მათ შესაბამის 3D გენომურ სტრუქტურებთან. ახალი ტექნიკა კონკურენციას უწევს უახლესი ექსპერიმენტული მეთოდების, ეს წარმოუდგენელი კვლევის შესაძლებლობების საშუალებას იძლევა. უჯრედის ბირთვში, DNA და პროტეინები ქმნიან ქრომატინს სხვადასხვა ორგანიზაციულ დონეზე, 2 მეტრის DNA-ის კომპაქტირებას მხოლოდ ერთი საბრძოლო მილიმეტრი ფართო ბირთვში. ეპიგენეტური ცვლილებები, რომლებიც DNA-სთან არის გაწვდილი, გავლენას ახდენენ ქრომატინის დაკეცვაზე, რაც განსაზღვრავს, თუ რომელი გენები უნდა გამოხატულიყო სხვადასხვა უჯრედის ტიპებში ან სხვადასხვა დროს. როდესაც მეთოდები, როგორიცაა Hi-C, განვითარდნენ უკანასკნელ ოცი წლის განმავლობაში ქრომატინის სტრუქტურების დასადგენად, ისინი მოითხოვდნენ სექრეტულ დროს და ძალისხმევას, ხშირად ერთ უჯრედზე მონაცემების მიღება კვირას შუა ხნით სჭირდება.

ამ პრობლემის გადასაჭრელად, ჟანგმა და მისმა გუნდმა შექმნეს მოდელი, რომელიც ექსტენსიური სწავლების (deep learning) და გენერაციული ხელოვნური ინტელექტის გამოყენებით სწრაფად და ზუსტად წინასწარ გამოავლენს ქრომატინის სტრუქტურებს DNA სექვენციებიდან. მათმა მოდელმა, ChromoGen, მოიცავს ღრმა სწავლების მოდელს, რომელიც ანალიზებს DNA ინფორმაციას და გენერაციული AI მოდელიდან, რომლაც 11 მილიონზე მეტი ქრომატინის კონფორმაციის მონაცემზეა გაწვდილი. ეს მთლიანად სისტემაა, რომელიც ასახავს DNA სექვენციებსა და ქრომატინის სტრუქტურების შორის ურთიერთობას და მრავალი შესაძლო სტრუქტურების გენერირების შესაძლებლობას თითოეული სექვენციისთვის წარმოქმნის, რადგან DNA-ში inherent disorder-ის გამო. ChromoGen საშუალებას აძლევს სწრაფ პროგნოზებზე - ხოლო არსებული მეთოდები ხშირად ათობით სტრუქტურის მისაღწევად ექვს თვემდე დროში სჭირდება, მოდელი დაახლოებით 20 წუთში ათას სტრუქტურას წარმოქმნის. ტრენინგის შემდეგ, მკვლევარებმა გამოიყენეს მოდელი 2, 000-ზე მეტი DNA სექვენციის სტრუქტურების პროგნოზირებისათვის, დაადასტურეს, რომ წარმოქმნილი სტრუქტურები ექსპერიმენტული მონაცემებისგან ახლოს იყო. უფლებამოსილია, რომ მოდელი იმარჯვებს მონაცემებზე უჯრედების ტიპებიდან, რაცმის პროექცია გარეთაა, რაც მიუთითებს შესაძლო გამოყენებების ზონდირებიდან ქრომატინის სტრუქტურის ვარიდაციებზე უჯრედის ტიპებში და ერთეულ უჯრედებში. ეს შესაძლებლობა შესაძლოა დაეხმაროს კვლევებს იმაზე, როგორ შეიძლება DNA-ის მუტაციებმა შეცვალონ ქრომატინის ფორმა, რაც შესაძლოა დაავადების მექანიზმებთან დაკავშრებული იყოს. ჯგუფმა საჯაროდ გახდის თავისი კვლევის მონაცემები და მოდელი დამატებით კვლევისათვის. კვლევამ დაფინანსება მიიღო ეროვნული ჯანდაცვის ინსტიტუტების მიერ.