Udvinding af genomet

Larry Hunter var lige flyttet ind på sit nye kontor, da en reporter besøgte, så værelset manglede nips og familiebilleder. Hunter var dog begyndt at pakke sine bøger ud, og de begyndte allerede at danne et interessant mønster. Roger Schanks Dynamisk hukommelse , en klassisk titel inden for kunstig intelligens, blev skrinlagt ved siden af ​​Georg Schulz’ Principper for proteinstruktur. Maskinelæring flankeret Onkogener . Kunstigt liv lænede sig op ad Medicinsk informatik .

Korrekt fortolket afslører mønstret på Hunters bogreol den seneste trend inden for biologi, et felt, der nu er så overvældet af information, at det i stigende grad er afhængigt af dataloger som Hunter for at forstå dets resultater. En ekspert i en udløber af kunstig intelligens-forskning kendt som maskinlæring, hvor computere læres at genkende subtile mønstre, Hunter blev for nylig lokket fra en ensom teoretisk stilling i National Library of Medicine til at lede sektionen for molekylær statistik og bioinformatik på National Cancer Institute (NCI) - en gruppe, der blev dannet i 1997 for at bruge matematisk knowhow til at sigte opslæmningen af ​​biologiske fund.

Hvor kommer alle data fra? Det enkle svar er, at det skyller ud af Human Genome Project. Drevet af overraskende konkurrence fra den kommercielle sektor nærmer den offentligt finansierede indsats for at katalogisere de anslåede 100.000 menneskelige gener sit slutspil; flere store akademiske centre sigter mod at færdiggøre et groft udkast til næste forår. På det tidspunkt vil de have dumpet titusindvis af milliarder af bits af data ind i det online gensekvenslager kendt som GenBank, vedligeholdt af National Center for Biotechnology Information (NCBI) ved National Institutes of Health (NIH) i Bethesda, Md. DNA-sekvenser er ikke den eneste type data, der stiger. Ved hjælp af DNA-chips kan videnskabsmænd nu opdage mønstre, når tusindvis af gener bliver tændt og slukket i en levende celle, hvilket tilføjer strømmen af ​​fund.

Nye slags data bliver tilgængelige i et forbløffende tempo, jubler Nat Goodman, direktør for biovidenskabsinformatik hos Compaq Computer. Compaq er en af ​​mange virksomheder, der søger en vigtig kommerciel mulighed inden for bioinformatik. Denne kongres for computere og biologi er en blomstrende forretning, men har indtil videre primært drejet sig om software til generering og styring af bjerget af gendata. Nu har medicinalvirksomheder brug for stadig hurtigere måder at udvinde det bjerg for de opdagelser, der vil føre til nye behandlinger for sygdomme.

Det er her iværksætterforskere som Larry Hunter kommer ind i billedet. På Hunters bogreol står en glaskugle og læser: 2.000.000 $ Series A Preferred. 5. marts 1999 - en fejring af venturekapitalfonde rejst af Molecular Mining, et selskab han var med til at stifte. Firmaet, der er baseret i Kingston, Ontario, håber at bruge data-mining-metoder til at hjælpe farmaceutiske virksomheder med at fremskynde udviklingen af ​​nye lægemidler ved at identificere vigtige biologiske mønstre i levende celler - såsom hvilke gener der tændes i særligt farlige tumorer, og hvilke lægemidler de tumorer vil reagere på. Og et dusin andre startups - biotekindustriens bedste indikator for en hot trend - er blevet dannet for at lave data-mining-værktøjer (se The Genome Miners). Biologi, forudser Hunter, i stigende grad vil blive understøttet af algoritmer, der kan finde skjult struktur i enorme mængder af molekylære data. Denne form for data-mining-arbejde, som Hunter har specialiseret sig i, er ofte kendt som mønstergenkendelse, og det er et af de hurtigst bevægende områder inden for bioinformatik. Faktisk, hvis Hunter har ret, kan mønstergenkendelse vise sig at være det valg, der bringer guldet fra nye terapier frem.

Genom-minearbejderne

Et udsnit af virksomheder med speciale i software til mønstergenkendelse.

Selskab Beliggenhed Fremhæv Bioreason
(privat) Santa Fe, N.M. Kunstig intelligens-software giver mening med kemidata. Compugen
(privat) Tel Aviv, Israel Eks-israelske forsvarsentreprenører scorer stort inden for genetisk data-mining. Kunder omfatter U.S. Patent Office. IBM
(offentlig) Armonk, N.Y. Avancerede mønstergenkendelsesalgoritmer driver en Monsanto-alliance fra 1997 til proteinopdagelse. Lion Bioscience
(privat) Heidelberg, Tyskland $100 millioner pagt med lægemiddelgiganten Bayer sætter bioinformatikrekord. Molekylær minedrift
(privat) Kingston, Ontario Rejste $2 millioner i opstartsmidler fra venturekapitalister i marts. Neomorfisk
(privat) Berkeley, Californien. Hidden Markov-modeller er blandt denne 1996 startups avancerede genfindingsværktøjer. Partek
(privat) St. Peters, Mo. Neurale netværksspecialister flyttede ind på biologimarkedet i 1998. Silicium genetik
(privat) San Carlos, Californien. Stanford spinoff udvinder gendata for profit. Silicium grafik
(offentlig) Mountain View, Californien Mine Set visuelt data-mining-værktøj er populært i finans-, telekommunikations- og lægemiddelindustrien.

Først skal du finde dem

For at få en fornemmelse af, hvor stort bjerget Hunter og hans kolleger tunnelerer ind i, kan du overveje det faktum, at hver menneskelig celle har 23 par kromosomer, der indeholder omkring 3,5 milliarder par nukleotider, de kemiske bogstaver A, C, G og T, der udgør DNA's genetiske kode. Men de faktiske gener, der bærer kode til at lave proteiner og går galt i genetiske sygdomme og kræft, optager mindre end 3 procent af genomet; resten er genetisk støj. At gøre gener stadig sværere at afsløre er det faktum, at deres proteinkodende elementer er spredt, ligesom de genetiske signaler, som cellen bruger til at sy dem sammen igen og guide deres udtryk: processen, der aktiverer dem til at lave proteiner. Nøglen til at forstå genomet er at forstå sproget for disse signaler, siger David Haussler, en førende beregningsbiolog ved University of California i Santa Cruz. Men de er skjulte, og de larmer.

Det første afgørende problem er at udtrække dem fra denne labyrint af irrelevant kode. På Oak Ridge National Laboratory har Edward Uberbacher's Computational Biosciences Section grebet ind i genfindingsproblemet med kunstige neurale netværk - en type kunstig intelligens (AI)-program, der er kendetegnet ved dets evne til at lære af erfaring. Ved Oak Ridge var neurale net blevet brugt til jobs som at genkende fjendens kampvogne i uklare satellitbilleder; i 1991 tilpassede Uberbacher disse metoder til at skabe et program, kaldet GRAIL, der kan udvælge gener. Siden da har GRAIL fået selskab af mindst et dusin andre genfindingsprogrammer, hvoraf mange er tilgængelige for forskere online.

De nuværende genlokaliseringsprogrammer er langt fra perfekte og forudsiger nogle gange gener, der ikke er rigtige, og ofte mangler gener, der er det. Dels på grund af nøjagtighedsproblemer, siger Uberbacher, har disse metoder været på kanten i et stykke tid. Men givet den accelererende strøm af genomdata, vil biologer være tvunget til at stole på og forbedre dem. Ufuldkomne som de er, er de det bedste sted at starte, siger Lisa Brooks, programdirektør for National Human Genome Research Institutes genominformatikafdeling, hvis drift uddeler $20 millioner om året til at støtte bioinformatikdatabaser og til at udvikle nye data-mining-metoder .

Mønstergenkendelsesprogrammer bruges ikke kun til at opdage gener; de er også stærkt udnyttet til at give forskere fingerpeg om, hvad gener gør. I dag modtager det mest udbredte program - NCBI's Basic Local Alignment Search Tool eller BLAST - 50.000 hits om dagen fra forskere, der søger efter ligheder mellem nyopdagede DNA-sekvenser og dem, hvis roller allerede er forstået. Givet lignende sekvenser, kan forskere ofte udlede, at to gener har lignende funktioner.

I researchspeak kaldes processen med at fortolke et gens funktion og indtaste det i en database annotering. I maj annoncerede Londons Sanger Centre og European Bioinformatics Institute (EBI), en afdeling af det multinationale European Molecular Biology Laboratory i Hinxton, England, et hastigt organiseret projekt kendt som EnsEMBL. Målet med EnsEMBL, siger EBIs Alan Robinson, er at sikre, at det første udkast til det menneskelige genom vil have en annotation vedhæftet. EnsEMBL's første aktivitet vil være at udsende genfindende algoritmer for at bevæge genomet og bringe et groft billede tilbage af, hvor generne er - en prospektors håndtegnede kort. Med kortet tegnet vil EnsEMBL bruge værktøjer som BLAST til at gætte på genernes funktioner.

Planer for computeriserede opdagelsespipelines som denne er vigtige for medicinalvirksomheder, som ræser om at identificere og patentere nøglesygdomsfremkaldende gener. I juni indvilligede den tyske lægemiddelgigant Bayer for eksempel i at betale en Heidelberg-startup, Lion Bioscience, så meget som 100 millioner dollars for et automatiseret system til at mine genetiske databaser. Lion har kaldt den computeriserede tilgang i-biologi, ifølge sin chef for bioinformatik Reinhard Schneider, og lover Bayer, at dens computere om fem år vil opdage 500 nye gener, samt annotere 70 gener, Bayer allerede har fundet. Mønstergenkendelsesalgoritmer, som vil drive den daglige gennemgang af databaserne, ligger i kernen af ​​i-biologi.

Selvom Bayer-Lion-pagten er en rekordbryder, er den blot én blandt snesevis af datamining-alliancer mellem farmaceutiske giganter og beregningskyndige startups - beviser på, at matematiske metoder er i centrum i genomisk forskning. Og de akademikere, der skriver algoritmerne, oplever også, at deres stjerner stiger, især i industrien. Lion blev grundlagt af topbio-infonauter fra European Molecular Biology Laboratory, med hovedkontor i Heidelberg. Hos Celera Genomics, Rockville, Md., firma, hvis planer om at dechifrere den genetiske kode har rystet Human Genome Project og fremskyndet det offentligt finansierede arbejde, bygger succesen på ekspertise fra mønsteranalyseekspert Eugene Myers. Celera lokkede Myers fra en fast stilling ved University of Arizona til at lede dets informatikbestræbelser og hyrede Compaq til at bygge ham, hvad der bliver udråbt som verdens mest magtfulde civile supercomputer (se The Gene Factory, TR marts/april 1999). Ifølge Haussler tror de fleste videnskabsmænd, at succesen med Myers' metoder vil gøre eller ødelægge Celera.

Kræft kategoriserer

Uanset hvor afgørende de er, er identifikation og sammenligning af gener for spor til deres funktion blot de første skridt på en lang vej mod medicinsk relevans - at udvikle et lægemiddel kan tage mange år længere. Men beregningsvidenskabsmænd siger, at mønsterminedrift kan have meget kortere sigt, når de anvendes på en anden type genomiske data kendt som genekspressionsprofiler.

Et gens ekspressionsniveau refererer til, hvor mange kopier af dets specifikke protein, det bliver opfordret til at lave på et givet tidspunkt. Proteinerne er de egentlige arbejdsheste i cellen, der udfører de daglige opgaver med stofskiftet; niveauerne af hver kan variere dramatisk over tid og er ofte ude af kontrol i syge celler. Takket være enheder kendt som DNA-mikroarrays, eller mere velkendt, DNA-chips, kan videnskabsmænd nu for første gang regelmæssigt måle ekspressionsniveauerne af tusindvis af gener på én gang. DNA-chips udnytter det faktum, at for at lave et protein, oversætter en celle først et gen til flere kopier af et molekyle kaldet messenger-RNA (mRNA). Typen og mængden af ​​mRNA'er i en celle svarer til proteinerne på bestilling - og ved at måle niveauerne af tusindvis af forskellige mRNA'er på én gang, er DNA-chips i stand til at skabe et øjebliksbillede af aktiviteten af ​​tusindvis af gener.

Mark Buguski, seniorforsker ved NCBI, siger, at de nye data om genekspressionsniveauer er ulig noget, biologer nogensinde har været udsat for. Før kunne biologer kun analysere aktiviteten af ​​nogle få gener ad gangen. Nu kan DNA-chips producere en massivt parallel udlæsning af cellulær aktivitet. Det er et vigtigt fremskridt, fordi forskellen mellem sundhed og sygdom normalt ikke ligger i aktiviteten af ​​et enkelt gen, men i det overordnede mønster af genekspression.

Et hold ved Whitehead/MIT Center for Genome Research sætter denne massivt parallelle udlæsning i gang med at identificere afslørende forskelle mellem forskellige kræftformer. Kendt som Molecular Pattern Recognition-gruppen, blev den startet sidste år af genomcenterdirektør Eric Lander og ledes af molekylærbiolog Todd Golub. Andre medlemmer omfatter den tidligere IBM-matematiker Jill Mesirov, datalogen Donna Slonim og beregningsfysikeren Pablo Tamayo, som sluttede sig til Whitehead fra supercomputerfirmaet Thinking Machines.

Denne tværfaglige hjernetillid forsøger at løse et enormt vigtigt problem inden for mønstergenkendelse. Tumorer varierer på subtile måder, og kræftceller, der ser ens ud under et mikroskop, reagerer meget forskelligt på lægemidler. De ting, vi kalder en enkelt kræfttype, er helt sikkert mange kræfttyper, siger Lander, men vi ved ikke, hvilke [forskelle] vi skal kigge efter.

For at give et benchmark for de nye metoder startede Landers gruppe med to typer leukæmi, som allerede kan skelnes under mikroskopet: akut myeloid leukæmi (AML) og akut lymfoid leukæmi (ALL). De målte niveauerne af omkring 6.800 forskellige gener i knoglemarvsprøver fra 38 leukæmipatienter, som de ville udvinde for mønstre, der kunne skelne AML fra ALL. Men at arbejde med 6.800 parametre (generne) og kun 38 datapunkter (prøverne) gav en opgave svarende til at forsøge at forudsige et valg ved at spørge et dusin personer. Efter at have gennemgået et års forsyning af blyanter og skrabepapir, fandt de på en løsning.

Et nøgletrin involverede at føre datapunkterne ind i en indlæringsalgoritme kendt som et selvorganiserende kort. Ved at plotte de 38 prøver ind i et højdimensionelt matematisk rum var kortalgoritmen i stand til at opdele prøverne i to grupper - en for hver type cancer. Ved at kontrollere oplysninger om de kendte tumortyper, siger Lander, blev det klart, at klyngerne brød ALL- og AML-prøverne næsten perfekt ud. Vi viste, at hvis man ikke havde kendt skelnen mellem disse to typer leukæmier - som faktisk tog 40 års arbejde at etablere - ville man have været i stand til at rekapitulere det på en eftermiddag, siger han.

Forskerholdet fik også et fingerpeg om, hvor værdifulde deres metoder (stadig upubliceret, da TR gik i trykken) kunne være for patienterne. På et tidspunkt lykkedes det ikke algoritmerne at kategorisere en prøve i nogen af ​​leukæmikategorierne. Var matematikken fejlbehæftet? Nej - diagnosen var. Tilskyndet af programmets resultat kiggede lægerne igen og fandt ud af, at det, de havde troet, var leukæmi i virkeligheden var en meget ondartet muskelkræft, som patienten nu bliver behandlet for. Hos Cambridge, Mass.-baserede Millennium Pharmaceuticals, satser forskere på, at lignende tilgange vil føre til optimale diagnostiske tests for kræft, ifølge Dave Ficenec, en tidligere astrofysiker hyret af Millennium til at installere de nyeste data-mining-algoritmer i sin interne software. Virksomheden har et tæt samarbejde med Landers center-Lander er en Millennium-medstifter, der sidder i virksomhedens bestyrelse.

De nye parallelle metoder til at lave snapshots af genekspression bliver også brugt til at evaluere nye lægemiddelkandidater. Ved opstarten Rosetta Inpharmatics i Kirkland, Washington, er et videnskabeligt team ved at samle og udvinde databaser for genmønstre for at fremskynde opdagelsen af ​​lægemidler. Rosetta studerer gærceller, udsætter dem for potentielle nye lægemidler og analyserer derefter niveauer af genekspression for spor til stoffernes handlinger. For eksempel kan cellerne hurtigt kontrolleres for at se, om deres respons matcher et mønster, der er typisk for toksiske bivirkninger. At kaste sådanne tabere ud tidligt er en del af Rosettas program for at forbedre effektiviteten af ​​lægemiddelopdagelse, siger Stephen Friend, der fungerer som Rosettas chief science officer og leder af det molekylære farmakologiske program ved Seattles Fred Hutchinson Cancer Research Center. Narkotikafirmaer har taget varsel, med otte tilmeldte sig som Rosetta-partnere.

Hjerneflugt

Mens forskere på virksomheder og universiteter hopper med på data-mining-vognen, vil de sandsynligvis støde på masser af bump på vejen forude. Nogle investorer er for eksempel fortsat bekymrede over, at databaser med forskellige biologiske resultater stadig er dårligt forbundne og nogle gange af ujævn kvalitet. Siger Larry Bock, en investor på Palo Alto-kontoret for venturefirmaet CW Group: Det kan være lidt tidligt for data-mining, da din evne til at mine er direkte relateret til kvaliteten af ​​databasen. Alligevel, siger Barbara Dalton, vicepræsident hos venturefirmaet SR One i West Conshohocken, Pa., ser de langsigtede udsigter gode ud. SR One, sammen med Princeton, N.J.'s Cardinal Health Partners, afsatte $2 millioner til at finansiere Larry Hunters startup, Molecular Mining. Data-mining bliver en kernedel af lægemiddelopdagelsen, forudser Dalton.

Men før det sker, skal feltet måske bryde sin alvorligste flaskehals: en akut mangel på mentorer. Bioinformatik er vokset eksplosivt i løbet af 1990'erne og har trukket mange af de bedste universitetslærere og -forskere ind i den højtbetalende private sektor. Vi gik fra en meget lille interesse for bioinformatik til Bang! - at have de fleste mennesker i arbejde i virksomheder, siger Mark Adams, der forlod det akademiske spor for at arbejde for Cambridge, Mass., biotekvirksomheden Variagenics. Med universiteter drænet for nogle af deres dygtigste sind, spekulerer mange på, hvem der skal uddanne den næste generation af beregningsbiologer.

En del af svaret kom i juni, da et særligt rådgivende panel indkaldt af NIH-direktør Harold Varmus konkluderede, at den amerikanske regering burde bruge så meget som $10 millioner til at finansiere 20 nye ekspertiseprogrammer inden for biomedicinsk databehandling. Flere universiteter er også gået ind i sagen, herunder Johns Hopkins, hvor et nyt beregningsbiologiprogram er på vej, takket være et tilskud på 2,5 millioner dollars fra Burroughs Wellcome Fund. Stanford, Princeton og University of Chicago planlægger alle store centre, der vil bringe fysiske forskere sammen med biologer.

I industrien er konvergensen allerede realitet. En tredjedel af Rosetta Inpharmatics' 100 ansatte er beregningsforskere, hentet fra områder så forskellige som sonardetektion, flyvekontrol og astrofysik. Chefforsker Stephen Friend siger, at han er kommet til en vigtig erkendelse, siden han kom til virksomheden i 1997. Biologer kan stadig stille de bedste spørgsmål og designe de mest overbevisende eksperimenter, siger han, men de bedste svar kommer fra fysikerne eller matematikerne. Disse svar vil sandsynligvis føre til vigtige nye terapier - guld udvundet fra bjergene i Human Genome Project ved hjælp af værktøjerne til mønstergenkendelse.

skjule