Afføring og algoritmer: Kunstig intelligens skal kortlægge vores tarmbakterier

Både fortidens mystikere og nutidens videnskabsfolk har haft tarmene mistænkt for at påvirke sygdomme. I nutiden undersøges tarmfloras betydning for fysiske sygdomme som sukkersyge og overvægt, mens andre studier undersøger en potentiel sammenhæng mellem tarmflora og for eksempel autisme, skizofreni og depression. Men selv for moderne forskere er det vanskeligt at studere de godt 500-1000 forskellige arter som udgør de cirka 100 milliard bakterier, der lever og arbejder i tarmen.

Derfor har forskere på Københavns Universitet nu udviklet en banebrydende teknik, som kan igangsætte en afsløring af tarmbakteriernes mysterier. Foruden at indgå i et livsnødvendigt samarbejde med immunforsvaret, er ubalance i tarmbakteriernes sammensætning også skyld i 50.000 danskeres kroniske mave-tarmsygdomme.

”I de seneste ti år har vi opdaget, at bakterier har enorm betydning for vores krop. Der foregår ekstremt meget forskning på området, men man kender endnu ikke alle de bakterier, der lever i og på os. At kende bakterierne er fundamentalt for overhovedet at kunne begynde at forstå, hvad der foregår. Det er dét, vores teknik hjælper med,” forklarer lektor Simon Rasmussen, der sammen med sin gruppe på Novo Nordisk Foundation Center for Protein Research har stået i spidsen for forskergruppen. Resultatet udgives nu i Nature Biotechnology.

”Bakteriers tilstedeværelse er helt afgørende for vores immunforsvar, og det gælder ikke mindst tarmbakterierne. Men problemet er, at det er meget svært at studere tarmbakterier i deres naturlige miljø, som de oftest er dybt afhængige af for at kunne overleve. Nu har vi udviklet en metode, som ved hjælp af kunstig intelligens kan hjælpe os med at kortlægge, hvilke bakterier der lever i og på os. Det kan give os en idé om, hvordan de arbejder sammen, og hvad der sker, når der opstår sygdom,” siger han.

Afføring er nøglen til forståelse

I stedet for at undersøge bakterierne, mens de er i tarmen, har forskerne analyseret tarmens ultimative biprodukt: afføring.

Afføring indeholder nemlig rester fra de bakterier, der har været med til at nedbryde maden i maven og tarmen og er dermed et unikt kig ind i det utilgængelige miljø. Hidtil har udfordringen for forskerne dog været, at man teknologisk kun har været i stand til at læse brudstykker af bakteriernes DNA. Det svarer til at lægge et puslespil med kun en brøkdel af brikkerne.

Simon Rasmussen og hans forskerhold har derfor udviklet en algoritme ved hjælp af kunstig intelligens, der kan færdiggøre DNA-strengene fra bakterierne i afføringen. Dermed kan forskere fra hele verden hjælpe med at lægge puslespillet færdigt.

”Der er cirka en milliard bakterier i blot ét gram afføring, og de tilhører mellem 500 og 1000 forskellige arter. Hvis vi kan rekonstruere deres DNA, kan vi få en god idé om, hvem de er, hvad de kan, og hvad de faktisk gør. Det er ikke hele billedet, men det er et kæmpe skridt fremad. For andre forskere er vores algoritme samtidig frit tilgængelig og gratis at bruge,” siger han.

Mønstergenkendelse i andre typer data

Metoden begrænser sig dog ikke kun til tarmbakterier, fortæller Simon Rasmussen. Den kunstige intelligens’ evne til at analysere bakterieindholdet i meget små prøver vil også kunne anvendes på meget andet end afføring.

Hvis man for eksempel ønsker at vide, hvad en forurenet grund har betydet for mikrolivet, vil man kunne analysere en jordprøve fra det pågældende område. Det samme er gældende for søer eller vandløb, der ligger i nærheden af en fabrik eller lignende. Eller, som Simon Rasmussen påpeger, hvis der er bakterier et sted, kan de identificeres.

”Det er dog ikke kun bakterier, vores algoritme kan anvendes på. Den kan for eksempel også bruges til sundhedsdata. Lad os sige, at vi arbejder på at øge vores viden om nogle bestemte sygdomme. Til at hjælpe os med dette kan vi i vores forskning få en mængde informationer om patientgruppen – det kunne for eksempel være viden om deres genetik, proteinsammensætning, stoffer i blodet og data fra elektroniske journaler. Vores kunstige intelligens kan kigge på disse meget forskellige datasæt og finde mønstre og sammenhænge. Det er et utrolig spændende perspektiv,” forklarer Simon Rasmussen.

Foruden artiklen om deres algoritme har gruppen flere andre studier på vej, hvor de illustrerer anvendelsen af deres teknologi.

Læs studiet ‘Improved metagenome binning and assembly using deep variational autoencoders’ her.

Kontakt

Lektor Simon Rasmussen
simon.rasmussen@cpr.ku.dk
+45 35 33 21 59

Journalist Søren Thiesen
s.thiesen@sund.ku.dk
+45 28 75 29 34