Wydobywanie genomu

Larry Hunter właśnie wprowadził się do swojego nowego biura, kiedy odwiedził go reporter, więc w pokoju brakowało bibelotów i rodzinnych zdjęć. Hunter zaczął jednak rozpakowywać swoje książki, które już zaczynały układać się w ciekawy wzór. Rogera Schanka Pamięć dynamiczna , klasyczny tytuł w dziedzinie sztucznej inteligencji, znalazł się na półce obok Georga Schulza Zasady budowy białek. Nauczanie maszynowe flankowany Onkogeny . Sztuczne życie oparł się na Informatyka medyczna .

Prawidłowo zinterpretowany wzór na półce Huntera ujawnia najnowszy trend w biologii, dziedzinie, która teraz jest tak przytłoczona informacjami, że coraz bardziej zależy od informatyków, takich jak Hunter, aby zrozumieć swoje odkrycia. Jako ekspert w dziedzinie badań nad sztuczną inteligencją, znanych jako uczenie maszynowe, w których komputery uczy się rozpoznawania subtelnych wzorców, Hunter został niedawno zwabiony z samotnego stanowiska teoretycznego w National Library of Medicine, aby kierować sekcją statystyki molekularnej i bioinformatyki w National Library of Medicine. Cancer Institute (NCI) – grupa utworzona w 1997 roku w celu wykorzystania matematycznego know-how do przesiewania szlamu odkryć biologicznych.

Skąd pochodzą wszystkie dane? Prosta odpowiedź jest taka, że ​​wypłukuje się z Projektu Ludzkiego Genomu. Napędzany niespodziewaną konkurencją ze strony sektora komercyjnego, finansowany ze środków publicznych wysiłek skatalogowania szacunkowych 100 000 ludzkich genów zbliża się do końca; kilka dużych ośrodków akademickich zamierza dokończyć wstępny projekt do wiosny przyszłego roku. Do tego czasu zrzucą dziesiątki miliardów bitów danych do internetowego repozytorium sekwencji genów znanego jako GenBank, prowadzonego przez Narodowe Centrum Informacji Biotechnologicznej (NCBI) przy Narodowym Instytucie Zdrowia (NIH) w Bethesda w stanie Maryland. Sekwencje DNA nie są jedynym typem danych, który rośnie. Wykorzystując chipy DNA, naukowcy mogą teraz wykrywać wzorce, gdy tysiące genów jest włączanych i wyłączanych w żywej komórce, dodając do zalewu odkryć.

Nowe rodzaje danych stają się dostępne w oszałamiającym tempie, cieszy się Nat Goodman, dyrektor ds. informatyki nauk przyrodniczych w Compaq Computer. Compaq jest jedną z wielu firm poszukujących ważnej możliwości komercyjnej w bioinformatyce. Ten kongres komputerów i biologii to prężnie rozwijający się biznes, ale do tej pory koncentrował się głównie wokół oprogramowania do generowania i zarządzania górą danych genowych. Teraz firmy farmaceutyczne potrzebują coraz szybszych sposobów na wydobycie z tej góry odkryć, które doprowadzą do nowych metod leczenia chorób.

Właśnie tam wkraczają przedsiębiorczy badacze, tacy jak Larry Hunter. Na półce z książkami Huntera znajduje się szklana bombka z napisem: „Preferowana seria A” o wartości 2 000 000 dolarów. 5 marca 1999 – święto funduszy venture capital zebranych przez Molecular Mining, firmę, której był współzałożycielem. Firma z siedzibą w Kingston w prowincji Ontario ma nadzieję wykorzystać metody eksploracji danych, aby pomóc firmom farmaceutycznym w przyspieszeniu opracowywania nowych leków poprzez identyfikację kluczowych wzorców biologicznych w żywych komórkach, takich jak to, które geny są włączane w szczególnie niebezpiecznych nowotworach i jakie leki te guzy zareagują. Utworzono tuzin innych startupów, które są najlepszym wskaźnikiem gorącego trendu w branży biotechnologicznej, aby tworzyć narzędzia do eksploracji danych (patrz The Genome Miners). Hunter przewiduje, że biologia będzie w coraz większym stopniu opierała się na algorytmach, które potrafią znaleźć ukrytą strukturę w ogromnych ilościach danych molekularnych. Ten rodzaj eksploracji danych, w którym specjalizuje się Hunter, jest często znany jako rozpoznawanie wzorców i jest jednym z najszybciej rozwijających się obszarów bioinformatyki. Rzeczywiście, jeśli Hunter ma rację, rozpoznawanie wzorców może okazać się wyborem, który wydobywa złoto z nowych terapii.

Górnicy genomu

Wybrane firmy specjalizujące się w oprogramowaniu do rozpoznawania wzorców.

Spółka Lokalizacja Atrakcja Biopowód
(prywatne) Santa Fe, Nowy Meksyk Oprogramowanie sztucznej inteligencji analizuje dane chemiczne. Compugen
(prywatne) Tel Awiw, Izrael Byli izraelscy kontrahenci zbrojeniowi osiągają duże wyniki w eksploracji danych genetycznych. Wśród klientów znajduje się Urząd Patentowy Stanów Zjednoczonych. IBM
(publiczne) Armonk, NY Zaawansowane algorytmy rozpoznawania wzorców zasilają sojusz Monsanto z 1997 roku na rzecz odkrywania białek. Biologia lwa
(prywatne) Heidelberg, Niemcy Pakt o wartości 100 milionów dolarów z gigantem farmaceutycznym Bayerem ustanawia rekord bioinformatyki. Górnictwo molekularne
(prywatne) Kingston, Ontario W marcu zebrał 2 miliony dolarów w funduszach startowych od inwestorów venture capital. Neomorficzny
(prywatne) Berkeley, Kalifornia. Ukryte modele Markowa należą do zaawansowanych narzędzi wyszukiwania genów tego startupu z 1996 roku. Partek
(prywatne) St. Peters, Mo. Specjaliści ds. sieci neuronowych weszli na rynek biologii w 1998 roku. Genetyka krzemu
(prywatne) San Carlos, Kalifornia Stanford spinoff wydobywa dane genetyczne dla zysku. Grafika krzemowa
(publiczne) Mountain View, Kalifornia Mine Set Narzędzie do wizualnej eksploracji danych jest popularne w branży finansowej, telekomunikacyjnej i farmaceutycznej.

Najpierw musisz je znaleźć

Aby zorientować się, jak duża jest góra Hunter i jego koledzy, weźmy pod uwagę fakt, że każda ludzka komórka ma 23 pary chromosomów zawierające około 3,5 miliarda par nukleotydów, chemicznych liter A, C, G i T, które składają się na Kod genetyczny DNA. Ale faktyczne geny, które przenoszą kod do wytwarzania białek i nie działają prawidłowo w chorobach genetycznych i raku, zajmują mniej niż 3 procent genomu; reszta to szum genetyczny. Geny są jeszcze trudniejsze do odkrycia, ponieważ ich elementy kodujące białka są rozproszone, podobnie jak sygnały genetyczne używane przez komórkę do łączenia ich z powrotem i kierowania ich ekspresją: proces, który aktywuje je do wytwarzania białek. Kluczem do zrozumienia genomu jest zrozumienie języka tych sygnałów, mówi David Haussler, wiodący biolog obliczeniowy z Uniwersytetu Kalifornijskiego w Santa Cruz. Ale są ukryte i są hałaśliwe.

Pierwszym kluczowym problemem jest wyciągnięcie ich z tego labiryntu nieistotnego kodu. W Oak Ridge National Laboratory sekcja Computational Biosciences Edwarda Uberbachera zajęła się problemem znajdowania genów za pomocą sztucznych sieci neuronowych – rodzaju programu sztucznej inteligencji (AI), który wyróżnia się zdolnością uczenia się na podstawie doświadczenia. W Oak Ridge sieci neuronowe były wykorzystywane do takich zadań, jak rozpoznawanie wrogich czołgów na rozmytych obrazach satelitarnych; w 1991 roku Uberbacher zaadaptował te metody, aby stworzyć program o nazwie GRAIL, który może wykrywać geny. Od tego czasu do GRAIL dołączył co najmniej tuzin innych programów wyszukiwania genów, z których wiele jest dostępnych dla naukowców online.

Obecne programy lokalizujące geny są dalekie od doskonałości, czasami przewidują geny, które nie są prawdziwe i często brakuje genów, które są. Częściowo z powodu problemów z dokładnością, mówi Uberbacher, metody te od jakiegoś czasu są na marginesie. Jednak biorąc pod uwagę coraz szybszy zalew danych genomowych, biolodzy będą zmuszeni polegać na nich i je ulepszać. Chociaż są niedoskonałe, są najlepszym miejscem do rozpoczęcia, mówi Lisa Brooks, dyrektor programowy oddziału informatyki genomowej National Human Genome Research Institute, którego działalność przeznacza 20 milionów dolarów rocznie na wspieranie baz danych bioinformatycznych i opracowywanie nowych metod eksploracji danych .

Programy do rozpoznawania wzorców nie są używane tylko do odkrywania genów; są również intensywnie wykorzystywane, aby dać naukowcom wskazówki, co robią geny. Obecnie najczęściej używany program – NCBI’s Basic Local Alignment Search Tool, czyli BLAST – otrzymuje dziennie 50 000 trafień od badaczy poszukujących podobieństw między nowo odkrytymi sekwencjami DNA a tymi, których role są już zrozumiane. Biorąc pod uwagę podobne sekwencje, naukowcy często mogą wywnioskować, że dwa geny mają podobne funkcje.

W języku naukowym proces interpretacji funkcji genu i wprowadzania jej do bazy danych nazywa się adnotacją. W maju londyńskie Sanger Center i Europejski Instytut Bioinformatyki (EBI), oddział międzynarodowego Europejskiego Laboratorium Biologii Molekularnej w Hinxton w Anglii, ogłosiły pospiesznie zorganizowany projekt znany jako EnsEMBL. Celem EnsEMBL, mówi Alan Robinson z EBI, jest upewnienie się, że pierwszy szkic ludzkiego genomu będzie miał dołączoną adnotację. Pierwszym działaniem EnsEMBL będzie wysłanie algorytmów wyszukiwania genów w celu zbadania genomu i przywrócenia przybliżonego obrazu tego, gdzie znajdują się geny – odręcznie narysowanej mapy poszukiwacza. Po narysowaniu mapy EnsEMBL użyje narzędzi takich jak BLAST do odgadnięcia funkcji genów.

Plany skomputeryzowanych rurociągów odkryć, takich jak ten, są ważne dla firm farmaceutycznych, które ścigają się w celu zidentyfikowania i opatentowania kluczowych genów powodujących choroby. Na przykład w czerwcu niemiecki gigant farmaceutyczny Bayer zgodził się zapłacić startupowi z Heidelberga, Lion Bioscience, aż 100 milionów dolarów za zautomatyzowany system do kopania genetycznych baz danych. Lion nazwał skomputeryzowane podejście i-biology, według swojego szefa bioinformatyki Reinharda Schneidera, i obiecuje Bayerowi, że za pięć lat jego komputery odkryją 500 nowych genów, a także opatrzą 70 genami, które Bayer już odkrył. Algorytmy rozpoznawania wzorców, które będą prowadzić codzienne przeszukiwanie baz danych, leżą u podstaw i-biologii.

Chociaż pakt Bayer-Lion jest rekordzistą, jest to tylko jeden z kilkudziesięciu sojuszy w zakresie eksploracji danych między gigantami farmaceutycznymi i doświadczonymi obliczeniowo startupami – dowody na to, że metody matematyczne zajmują centralne miejsce w badaniach genomicznych. A naukowcy, którzy piszą algorytmy, również zauważają, że ich gwiazdy wschodzą, zwłaszcza w przemyśle. Lion został założony przez czołowych bioinfonautów z Europejskiego Laboratorium Biologii Molekularnej z siedzibą w Heidelbergu. W Celera Genomics, firmie Rockville w stanie Maryland, której plany rozszyfrowania kodu genetycznego wstrząsnęły projektem ludzkiego genomu i przyspieszyły prace finansowane ze środków publicznych, sukces zależy od ekspertyzy eksperta od analizy wzorców, Eugene'a Myersa. Celera zwabił Myersa ze stałego stanowiska na Uniwersytecie Arizony, aby kierował jego wysiłkami informatycznymi, zatrudniając Compaqa do zbudowania tego, co jest reklamowane jako najpotężniejszy cywilny superkomputer na świecie (patrz The Gene Factory, TR marzec/kwiecień 1999). Według Hausslera większość naukowców uważa, że ​​sukces metod Myersa doprowadzi do powstania lub złamania Celery.

Kategoryzator raka

Chociaż są one kluczowe, identyfikacja i porównywanie genów pod kątem wskazówek dotyczących ich funkcji to tylko pierwszy krok na długiej ścieżce do zastosowania w medycynie – opracowanie leku może zająć wiele lat dłużej. Ale naukowcy zajmujący się obliczeniami twierdzą, że eksploracja wzorców może przynieść znacznie bliższe korzyści w przypadku zastosowania do innego rodzaju danych genomowych, znanych jako profile ekspresji genów.

Poziom ekspresji genu odnosi się do liczby kopii konkretnego białka, które ma wykonać w danym momencie. Białka są rzeczywistymi końmi roboczymi w komórce, wykonującymi codzienne zadania metabolizmu; poziomy każdego z nich mogą się dramatycznie zmieniać w czasie i często nie są w porządku w chorych komórkach. Dzięki urządzeniom znanym jako mikromacierze DNA lub, bardziej znajomo, chipy DNA, naukowcy mogą teraz po raz pierwszy regularnie mierzyć poziomy ekspresji tysięcy genów jednocześnie. Chipy DNA wykorzystują fakt, że aby wytworzyć białko, komórka najpierw tłumaczy gen na wiele kopii cząsteczki zwanej informacyjnym RNA (mRNA). Rodzaj i ilość mRNA w komórce odpowiadają białkom w kolejności – a mierząc jednocześnie poziomy tysięcy różnych mRNA, chipy DNA są w stanie stworzyć migawkę aktywności tysięcy genów.

Mark Buguski, starszy badacz w NCBI, mówi, że nowe dane na temat poziomów ekspresji genów nie przypominają niczego, na co kiedykolwiek zetknęli się biolodzy. Wcześniej biolodzy mogli analizować aktywność tylko kilku genów na raz. Teraz chipy DNA mogą generować masowo równoległy odczyt aktywności komórkowej. To ważny postęp, ponieważ różnica między zdrowiem a chorobą zwykle polega nie na aktywności pojedynczego genu, ale na ogólnym wzorcu ekspresji genów.

Zespół w Whitehead/MIT Center for Genome Research wprowadza ten masowo równoległy odczyt do pracy nad identyfikacją charakterystycznych różnic między różnymi nowotworami. Znana jako grupa rozpoznawania wzorców molekularnych, została założona w zeszłym roku przez dyrektora centrum genomu Erica Landera i jest kierowana przez biologa molekularnego Todda Goluba. Pozostali członkowie to były matematyk IBM Jill Mesirov, informatyk Donna Słonim i fizyk obliczeniowy Pablo Tamayo, który dołączył do Whitehead z firmy Thinking Machines zajmującej się superkomputerami.

To interdyscyplinarne zaufanie do mózgu próbuje rozwiązać niezwykle ważny problem w rozpoznawaniu wzorców. Nowotwory różnią się subtelnie, a komórki rakowe, które wyglądają tak samo pod mikroskopem, bardzo różnie reagują na leki. Rzeczy, które nazywamy pojedynczym rodzajem raka, to z pewnością wiele rodzajów raka, mówi Lander, ale nie wiemy, jakich [różnic] szukać.

Aby zapewnić punkt odniesienia dla nowych metod, grupa Landera zaczęła od dwóch typów białaczki, które można już rozróżnić pod mikroskopem: ostrej białaczki szpikowej (AML) i ostrej białaczki limfatycznej (ALL). Zmierzyli poziomy około 6800 różnych genów w próbkach szpiku kostnego od 38 pacjentów z białaczką, które wydobyli w poszukiwaniu wzorców, które mogłyby odróżnić AML od ALL. Ale praca z 6800 parametrami (geny) i tylko 38 punktami danych (próbkami) wykonała zadanie podobne do próby przewidzenia wyborów przez sondowanie kilkunastu osób. Po przejrzeniu rocznego zapasu ołówków i kartek do rysowania znaleźli rozwiązanie.

Kluczowym krokiem było wprowadzenie punktów danych do algorytmu uczenia zwanego samoorganizującą się mapą. Wykreślając 38 próbek w wielowymiarowej przestrzeni matematycznej, algorytm mapy był w stanie podzielić próbki na dwie grupy – po jednej dla każdego typu nowotworu. Porównując informacje o znanych typach guzów, jak mówi Lander, stało się jasne, że skupiska wydzieliły próbki ALL i AML niemal idealnie. Pokazaliśmy, że gdybyś nie znał różnicy między tymi dwoma typami białaczek – których ustalenie w rzeczywistości zajęło 40 lat pracy – byłbyś w stanie podsumować to w ciągu jednego popołudnia, mówi.

Zespół badawczy zorientował się także, jak cenne dla pacjentów mogą być ich metody (wciąż nieopublikowane, gdy TR trafiło do druku). W pewnym momencie algorytmom nie udało się zaklasyfikować próbki do żadnej z kategorii białaczki. Czy matematyka była błędna? Nie, diagnoza była. Zainspirowani wynikami programu, lekarze spojrzeli jeszcze raz i odkryli, że to, co uważali za białaczkę, było w rzeczywistości wysoce złośliwym rakiem mięśni, z powodu którego pacjent jest obecnie leczony. Według Dave'a Ficenec, byłego astrofizyka wynajętego przez Millennium do zainstalowania najnowszych algorytmów eksploracji danych w swoim wewnętrznym oprogramowaniu, naukowcy z Cambridge, Massachusetts Pharmaceuticals z siedzibą w Massachusetts, obstawiają, że podobne podejście doprowadzi do optymalnych testów diagnostycznych na raka. Firma ściśle współpracuje z centrum Landera – Lander jest współzałożycielem Millennium i zasiada w radzie dyrektorów firmy.

Nowe równoległe metody tworzenia migawek ekspresji genów są również wykorzystywane do oceny nowych kandydatów na leki. Na starcie Rosetta Inpharmatics w Kirkland w stanie Waszyngton zespół naukowy gromadzi i przeszukuje bazy danych pod kątem wzorców genów, aby przyspieszyć odkrywanie leków. Rosetta bada komórki drożdży, wystawiając je na działanie potencjalnych nowych leków, a następnie analizując poziomy ekspresji genów w poszukiwaniu wskazówek dotyczących działania leków. Na przykład komórki można szybko sprawdzić, aby zobaczyć, czy ich reakcja pasuje do wzorca typowego dla toksycznych skutków ubocznych. Wyrzucanie takich przegranych na wczesnym etapie jest częścią programu Rosetty, mającego na celu poprawę skuteczności odkrywania leków, mówi Stephen Friend, który jest jednocześnie dyrektorem naukowym Rosetty i szefem programu farmakologii molekularnej w Fred Hutchinson Cancer Research Center w Seattle. Zauważyły ​​to firmy farmaceutyczne, z ośmioma zarejestrowanymi partnerami Rosetty.

Drenaż mózgu

Podczas gdy naukowcy z firm i uniwersytetów wskakują na modę eksploracji danych, prawdopodobnie napotkają wiele wybojów na drodze. Na przykład niektórzy inwestorzy obawiają się, że bazy danych o różnych wynikach biologicznych są nadal słabo połączone, a czasem nierównej jakości. Mówi Larry Bock, inwestor w biurze Palo Alto firmy inwestycyjnej CW Group: Na eksplorację danych może być trochę za wcześnie, ponieważ twoja zdolność do kopania jest bezpośrednio związana z jakością bazy danych. Mimo to, mówi Barbara Dalton, wiceprezes firmy venture capital SR One w West Conshohocken w stanie Pensylwania, długoterminowe perspektywy wyglądają dobrze. SR One, wraz z Princeton, NJ's Cardinal Health Partners, przeznaczyły 2 miliony dolarów na sfinansowanie Molecular Mining, start-upu Larry'ego Huntera. Eksploracja danych będzie kluczowym elementem odkrywania leków, przewiduje Dalton.

Ale zanim to się stanie, być może trzeba będzie przełamać swoje najpoważniejsze wąskie gardło: dotkliwy brak mentorów. Bioinformatyka rozwinęła się gwałtownie w latach 90., przyciągając wielu najlepszych nauczycieli akademickich i badaczy do dobrze płatnego sektora prywatnego. Przeszliśmy od bardzo małego zainteresowania bioinformatyką do Bang!, gdzie większość ludzi pracuje w firmach, mówi Mark Adams, który porzucił akademicką ścieżkę, by pracować dla firmy biotechnologicznej Variagenics w Cambridge w stanie Massachusetts. Ponieważ uniwersytety są pozbawione niektórych ze swoich najbystrzejszych umysłów, wielu zastanawia się, kto będzie szkolił następne pokolenie biologów obliczeniowych.

Część odpowiedzi pojawiła się w czerwcu, kiedy specjalny panel doradczy zwołany przez dyrektora NIH Harolda Varmusa stwierdził, że rząd USA powinien wydać aż 10 milionów dolarów na sfinansowanie 20 nowych programów doskonałości w informatyce biomedycznej. Kilka uniwersytetów również zaczęło działać, w tym Johns Hopkins, gdzie realizowany jest nowy program biologii obliczeniowej, dzięki grantowi w wysokości 2,5 miliona dolarów z Burroughs Wellcome Fund. Stanford, Princeton i University of Chicago planują duże ośrodki, które połączą naukowców zajmujących się fizyką z biologami.

W przemyśle konwergencja jest już rzeczywistością. Jedna trzecia ze 100 pracowników Rosetta Inpharmatics to naukowcy zajmujący się obliczeniami, wywodzący się z tak różnych dziedzin, jak wykrywanie sonarów, kontrola ruchu lotniczego i astrofizyka. Główny naukowiec Stephen Friend mówi, że doszedł do ważnego wniosku od czasu dołączenia do firmy w 1997 roku. Biolodzy mogą nadal zadawać najlepsze pytania i projektować najbardziej przekonujące eksperymenty, mówi, ale najlepsze odpowiedzi pochodzą od fizyków lub matematyków. Te odpowiedzi prawdopodobnie doprowadzą do nowych ważnych terapii – złota wydobywanego z gór Projektu Ludzkiego Genomu za pomocą narzędzi rozpoznawania wzorców.

ukryć