Katru cilvēka ķermeņa šūnu raksturo identiska ģenētiskā secība, taču katra no tām izsaka tikai specifiskus gēnus, tādējādi atšķirot smadzeņu šūnu no ādas šūnas. Šie unikālie gēnu izteiksmes modeļi tiek ietekmēti ar ģenētiskā materiāla trīsdimensiju izvietojumu, kas nosaka gēnu pieejamību. MIT pētnieki izstrādājuši jaunu metodi, lai analizētu šos 3D genoma struktūras, izmantojot ģeneratīvo mākslīgo inteliģenci, kas ļauj prognozēt tūkstošiem struktūru minūšu laikā. Šis progress ievērojami paātrina procesu salīdzinājumā ar tradicionālajām eksperimentālajām tehnikām. Pētījuma galvenais autors, asociētais profesors Bin Zhang, cenšas sasaistīt DNS secības ar to atbilstošajām 3D genoma struktūrām. Jaunā tehnika konkurē ar modernām eksperimentālām metodēm un piedāvāsološas pētījumu iespējas. Šūnu kodolu iekšienē DNS un olbaltumvielas veido hromatīnu dažādos organizācijas līmeņos, saspiest 2 metrus gara DNS molekulas kodolā, kas ir tikai vienu simtdaļu no milimetra plata. Epigenētiskās modifikācijas, kas pievienotas DNS, ietekmē hromatīna locīšanas procesu, nosakot, kuri gēni tiek izteikti atšķirīgās šūnu tipu vai dažādos laikos. Lai noteiktu hromatīna struktūras, pēdējo divu gadu laikā ir attīstītas tādas metodes kā Hi-C, taču tās prasa ievērojamu laiku un piepūli, bieži vien prasot apmēram nedēļu, lai iegūtu datus no vienas šūnas.

Lai atrisinātu šo problēmu, Zhang un viņa komanda izveidoja modeli, kas izmanto dziļo mācīšanos un ģeneratīvo mākslīgo inteliģenci, ļaujot ātri un precīzi prognozēt hromatīna struktūras no DNS secībām. Viņu modelis, ChromoGen, ietver dziļās mācīšanās modeli, kas analizē DNS informāciju, un ģeneratīvo AI modeli, kas apmācīts uz vairāk nekā 11 miljoniem hromatīna konformāciju. Šis integrētais sistēma atspoguļo attiecības starp DNS secībām un hromatīna struktūrām, ģenerējot vairākas iespējamās struktūras katrai secībai, ņemot vērā DNS iekšējo haosu. ChromoGen ļauj ātri veikt prognozes - kamēr esošās metodes var aizņemt sešus mēnešus, lai sasniegtu dažus desmitus struktūru, modelis spēj radīt tūkstoš struktūru aptuveni 20 minūšu laikā. Pēc apmācības pētnieki izmantoja modeli, lai prognozētu struktūras vairāk nekā 2000 DNS secībām, apstiprinot, ka radītās struktūras cieši atbilst eksperimentālajiem datiem. Turklāt modelis pierādīja precizitāti ar datiem no šūnu tipiem ārpus apmācības komplekta, norādot uz potenciālām iespējām analizēt hromatīna struktūras variācijas starp šūnu tipiem un indivīda šūnās. Šī spēja varētu arī atvieglot izpēti par to, kā DNS mutācijas var mainīt hromatīna konformāciju, potenciāli sasaistot to ar slimību mehānismiem. Komanda ir padarījusi savus pētījuma datus un modeli publiski pieejamus tālākai izpētei. Pētījumu finansēja Nacionālie Veselības Institūti.