Peneliti Gunakan Deep Learning untuk Analisis Interaksi Gen

Ilustrasi Machine Learning, Deep Learning, Artificial Intelligence, Kecerdasan Buatan. Kredit: Mohamed Hassan via Pixabay

Liputan6.com, Jakarta - Sekelompok peneliti di Carnegie Mellon University telah menerapkan Deep Learning untuk menganalisis interaksi gen.

Mereka mengubah sejumlah besar data ekspresi gen menjadi sesuatu yang menyerupai gambar menggunakan metode jaringan saraf konvolusional (Convolutional Neural Networks, CNN) di Deep Learning.

"Jaringan saraf konvolusional, yang dikembangkan satu dekade lalu, sangat revolusioner," ujar Ziv Bar-Joseph, profesor di bidang Computational Biology dan Machine Learning dikutip dari rilis pers via Eurekalert, Sabtu (2/1/2021).

CNN, yang memiliki kemampuan dalam hal analisis citra visual, kemudian mampu menyimpulkan gen mana saja yang berinteraksi satu sama lain. Dibandingkan dengan metode lainnya, menurut para peneliti, CNN lebih unggul.

Bersama dengan Ye Yuan, seorang peneliti post-doctoral di Machine Learning Department di CMU, Bar-Joseph menerbitkan penelitian ini di Proceedings of the National Academy of Science.

Pada praktiknya, mereka menggunakan data ekspresi sel tunggal (single-cell expression). Langkah ini dapat menentukan tingkat setiap gen dalam satu sel tunggal.

2 dari 2 halaman

Penyajian data dalam bentuk matriks

Kemudian hasil analisis ratusan ribu sel tunggal tersebut disusun dalam bentuk matriks atau histogram, sehingga setiap sel dari matriks tersebut merepresentasikan level koekspresi yang berbeda untuk sepasang gen.

Salah satu keuntungan dari penyajian data dengan cara ini adalah kehadiran aspek spasial yang membuat data lebih menyerupai gambar. Oleh karena itu, data tersebut menjadi lebih dapat diakses oleh CNN.

Berbekal data dari gen yang interaksinya telah ditetapkan, para peneliti dapat melatih CNN untuk mengenali gen mana saja yang berinteraksi dan mana saja yang tidak dengan merujuk pola visual yang muncul di matriks data.

"Sangat sulit membedakan antara kausalitas dan korelasi," kata Yuan, tetapi metode ini secara statistik terbukti lebih akurat daripada metode yang ada.

Para peneliti meyakini teknik yang mereka kembangkan akan menjadi salah satu dari beberapa teknik yang nantinya akan digunakan para peneliti dalam menganalisis dataset dalam volume besar.

"Ini adalah metode yang sangat umum yang dapat diterapkan pada sejumlah analisis," kata Bar-Joseph.