Mining the Genome

Larry Hunter hade precis flyttat in på sitt nya kontor när en reporter besökte, så rummet saknade krimskrams och familjebilder. Hunter hade dock börjat packa upp sina böcker, och de började redan bilda ett intressant mönster. Roger Schanks Dynamiskt minne , en klassisk titel inom artificiell intelligens, låg på hyllan bredvid Georg Schulz’s Principer för proteinstruktur. Maskininlärning flankerad Onkogener . Konstgjort liv lutade sig mot Medicinsk informatik .

Rätt tolkat avslöjar mönstret på Hunters bokhylla den senaste trenden inom biologi, ett område som nu är så överväldigat av information att det blir alltmer beroende av datavetare som Hunter för att förstå sina resultat. En expert på en utlöpare av forskning om artificiell intelligens känd som maskininlärning, där datorer lärs känna igen subtila mönster, lockades Hunter nyligen från en ensam teoretisk post i National Library of Medicine för att leda sektionen för molekylär statistik och bioinformatik på National Cancer Institute (NCI) - en grupp som bildades 1997 för att använda matematisk kunskap för att sålla uppslamningen av biologiska fynd.

Var kommer all data ifrån? Det enkla svaret är att det sköljs ur Human Genome Project. Driven av överraskande konkurrens från den kommersiella sektorn närmar sig den offentligt finansierade ansträngningen att katalogisera de uppskattade 100 000 mänskliga generna sitt slutspel; flera stora akademiska centra siktar på att avsluta ett grovt utkast till nästa vår. Då kommer de att ha dumpat tiotals miljarder bitar av data i online-gensekvensförrådet som kallas GenBank, som underhålls av National Center for Biotechnology Information (NCBI) vid National Institutes of Health (NIH) i Bethesda, Md. DNA-sekvenser är inte den enda typen av data på uppgång. Med hjälp av DNA-chips kan forskare nu upptäcka mönster när tusentals gener slås på och av i en levande cell, vilket bidrar till floden av fynd.

Nya typer av data blir tillgängliga i en otrolig takt, jublar Nat Goodman, chef för biovetenskaplig informatik på Compaq Computer. Compaq är ett av många företag som söker en viktig kommersiell möjlighet inom bioinformatik. Den här kongressen för datorer och biologi är en blomstrande verksamhet, men har hittills mest kretsat kring programvara för att generera och hantera berget av gendata. Nu behöver läkemedelsföretagen allt snabbare sätt att bryta berget efter upptäckterna som kommer att leda till nya behandlingar för sjukdomar.

Det är där entreprenörsforskare som Larry Hunter kommer in. På Hunters bokhylla står en grannlåt och läser: 2 000 000 $ Series A Preferred. 5 mars 1999 - ett firande av riskkapitalfonder som samlats in av Molecular Mining, ett företag som han var med och grundade. Företaget, baserat i Kingston, Ontario, hoppas kunna använda datautvinningsmetoder för att hjälpa läkemedelsföretag att påskynda utvecklingen av nya läkemedel genom att identifiera viktiga biologiska mönster i levande celler - som vilka gener som är påslagna i särskilt farliga tumörer och vilka läkemedel de tumörer kommer att reagera på. Och ett dussin andra startups - bioteknikindustrins bästa indikator på en het trend - har bildats för att göra datautvinningsverktyg (se The Genome Miners). Biologi, förutspår Hunter, kommer i allt högre grad att underbyggas av algoritmer som kan hitta dold struktur i enorma mängder molekylär data. Den här typen av datautvinningsarbete, som Hunter är specialiserad på, är ofta känd som mönsterigenkänning och det är ett av de snabbast rörliga områdena inom bioinformatik. Faktum är att om Hunter har rätt, kan mönsterigenkänning visa sig vara valet som ger guldet av nya terapier.

Genome Miners

Ett urval av företag som specialiserat sig på mjukvara för mönsterigenkänning.

Företag Plats Markera Bioreason
(privat) Santa Fe, N.M. Programvara för artificiell intelligens ger mening med kemidata. Compugen
(privat) Tel Aviv, Israel Ex-israeliska försvarsentreprenörer gör stora poäng inom genetisk datautvinning. Bland kunderna finns det amerikanska patentverket. IBM
(offentligt) Armonk, N.Y. Avancerade algoritmer för mönsterigenkänning driver en Monsanto-allians från 1997 för proteinupptäckt. Lion Bioscience
(privat) Heidelberg, Tyskland pakt för 100 miljoner dollar med läkemedelsjätten Bayer sätter rekord i bioinformatik. Molekylär gruvdrift
(privat) Kingston, Ontario Samlade in 2 miljoner dollar i startfonder från riskkapitalister i mars. Neomorfisk
(privat) Berkeley, Kalifornien. Hidden Markov-modeller är bland de här 1996 startups avancerade verktyg för gensökning. Partek
(privat) St. Peters, Mo. Neural nätverksspecialister flyttade in på biologimarknaden 1998. Silikongenetik
(privat) San Carlos, Kalifornien Stanford spinoff bryter gendata för vinst. Silikon grafik
(offentlig) Mountain View, Kalifornien Mine Set visuellt datautvinningsverktyg är populärt inom finans-, telekom- och läkemedelsindustrin.

Först måste du hitta dem

För att få en känsla av hur stort berget Hunter och hans kollegor tunnlar in i, överväg det faktum att varje mänsklig cell har 23 par kromosomer som innehåller cirka 3,5 miljarder par nukleotider, de kemiska bokstäverna A, C, G och T som utgör DNA:s genetiska kod. Men de faktiska generna som bär kod för att göra proteiner, och som går fel i genetiska sjukdomar och cancer, upptar mindre än 3 procent av arvsmassan; resten är genetiskt brus. Att göra gener fortfarande svårare att avslöja är det faktum att deras proteinkodande element är utspridda, liksom de genetiska signalerna som cellen använder för att sy ihop dem igen och styra deras uttryck: processen som aktiverar dem för att göra proteiner. Nyckeln till att förstå genomet är att förstå språket för dessa signaler, säger David Haussler, en ledande beräkningsbiolog vid University of California i Santa Cruz. Men de är dolda, och de är bullriga.

Det första avgörande problemet är att extrahera dem från denna labyrint av irrelevant kod. Vid Oak Ridge National Laboratory har Edward Uberbachers Computational Biosciences-sektion tagit itu med problemet med att hitta genen med artificiella neurala nätverk - en typ av artificiell intelligens (AI)-program som kännetecknas av sin förmåga att lära av erfarenhet. På Oak Ridge hade neurala nät använts för jobb som att känna igen fiendens stridsvagnar i suddiga satellitbilder; 1991 anpassade Uberbacher dessa metoder för att skapa ett program, kallat GRAIL, som kan plocka ut gener. Sedan dess har GRAIL fått sällskap av minst ett dussin andra gensökningsprogram, av vilka många är tillgängliga för forskare online.

De nuvarande genlokaliseringsprogrammen är långt ifrån perfekta, ibland förutsäger gener som inte är verkliga och ofta saknas gener som är det. Delvis på grund av noggrannhetsproblem, säger Uberbacher, har dessa metoder varit i utkanten ett tag. Men med tanke på den accelererande översvämningen av genomdata kommer biologer att tvingas lita på och förbättra dem. Imperfekta som de är är de det bästa stället att börja, säger Lisa Brooks, programdirektör för National Human Genome Research Institutes genominformatikgren, vars verksamhet delar ut 20 miljoner dollar per år för att stödja bioinformatikdatabaser och för att utveckla nya datautvinningsmetoder .

Program för mönsterigenkänning används inte bara för att upptäcka gener; de utnyttjas också hårt för att ge forskare ledtrådar om vad gener gör. Idag får det mest använda programmet - NCBI:s Basic Local Alignment Search Tool, eller BLAST - 50 000 träffar per dag från forskare som söker efter likheter mellan nyupptäckta DNA-sekvenser och de vars roller redan är förstått. Med tanke på liknande sekvenser kan forskare ofta dra slutsatsen att två gener har liknande funktioner.

I researchspeak kallas processen att tolka en gens funktion och lägga in den i en databas annotering. I maj tillkännagav Londons Sanger Centre och European Bioinformatics Institute (EBI), en filial av det multinationella European Molecular Biology Laboratory i Hinxton, England, ett hastigt organiserat projekt känt som EnsEMBL. Målet med EnsEMBL, säger EBI:s Alan Robinson, är att se till att det första utkastet av det mänskliga genomet kommer att ha en anteckning bifogad. EnsEMBL:s första aktivitet kommer att vara att skicka ut algoritmer för att hitta genen för att fördjupa genomet och få tillbaka en grov bild av var generna finns - en prospektörs handritade karta. Med kartan ritad kommer EnsEMBL att använda verktyg som BLAST för att gissa på genernas funktioner.

Planer för datoriserade upptäcktspipelines som denna är viktiga för läkemedelsföretag, som tävlar om att identifiera och patentera nyckelsjukdomsframkallande gener. I juni gick till exempel den tyska läkemedelsjätten Bayer med på att betala en Heidelberg-startup, Lion Bioscience, så mycket som 100 miljoner dollar för ett automatiserat system för att bryta genetiska databaser. Lion har kallat det datoriserade tillvägagångssättet i-biologi, enligt dess chef för bioinformatik Reinhard Schneider, och lovar Bayer att dess datorer om fem år kommer att upptäcka 500 nya gener, samt kommentera 70 gener som Bayer redan har hittat. Algoritmer för mönsterigenkänning, som kommer att driva den dagliga genomsökningen av databaserna, ligger i kärnan av i-biologi.

Även om Bayer-Lion-pakten är en rekordbrytare, är den bara en bland dussintals datautvinningsallianser mellan läkemedelsjättar och beräkningskunniga startups-bevis på att matematiska metoder tar en central plats i genomforskningen. Och de akademiker som skriver algoritmerna finner också sina stjärnor stiga, särskilt inom industrin. Lion grundades av de bästa bio-infonauterna från European Molecular Biology Laboratory, med huvudkontor i Heidelberg. Hos Celera Genomics, Rockville, Md., ett företag vars planer på att dechiffrera den genetiska koden har skakat om Human Genome Project och påskyndat det offentligt finansierade arbetet, bygger framgången på expertisen hos mönsteranalysexperten Eugene Myers. Celera lockade Myers från en fast tjänst vid University of Arizona att leda dess informatiksatsningar, och anlitade Compaq för att bygga honom vad som utses som världens mest kraftfulla civila superdator (se The Gene Factory, TR mars/april 1999). Enligt Haussler tror de flesta forskare att framgången med Myers metoder kommer att göra eller bryta Celera.

Cancer Kategoriser

Hur avgörande de än är, att identifiera och jämföra gener för ledtrådar till deras funktion är bara de första stegen på en lång väg mot medicinsk relevans - att utveckla ett läkemedel kan ta många år längre. Men beräkningsforskare säger att mönsterbrytning kan ha mycket mer långsiktiga utdelningar när de tillämpas på en annan typ av genomisk data som kallas genuttrycksprofiler.

En gens uttrycksnivå hänvisar till hur många kopior av dess specifika protein den uppmanas att göra vid varje given tidpunkt. Proteinerna är de faktiska arbetshästarna i cellen, som utför de dagliga uppgifterna för ämnesomsättningen; nivåerna av var och en kan variera dramatiskt över tiden och är ofta ur funktion i sjuka celler. Tack vare enheter som kallas DNA-mikroarrayer, eller, mer bekant, DNA-chips, kan forskare nu för första gången regelbundet mäta uttrycksnivåerna för tusentals gener samtidigt. DNA-chips drar fördel av det faktum att för att göra ett protein översätter en cell först en gen till flera kopior av en molekyl som kallas budbärar-RNA (mRNA). Typen och kvantiteten av mRNA i en cell motsvarar proteinerna på beställning - och genom att mäta nivåerna av tusentals olika mRNA på en gång kan DNA-chips skapa en ögonblicksbild av aktiviteten hos tusentals gener.

Mark Buguski, senior utredare vid NCBI, säger att de nya uppgifterna om genuttrycksnivåer inte liknar något som biologer någonsin har utsatts för. Tidigare kunde biologer bara analysera aktiviteten hos ett fåtal gener åt gången. Nu kan DNA-chips producera en massivt parallell avläsning av cellulär aktivitet. Det är ett viktigt framsteg, eftersom skillnaden mellan hälsa och sjukdom vanligtvis inte ligger i aktiviteten hos en enskild gen utan i det övergripande mönstret för genuttryck.

Ett team vid Whitehead/MIT Center for Genome Research sätter denna massivt parallella avläsning för att identifiera tydliga skillnader mellan olika cancerformer. Känd som gruppen Molecular Pattern Recognition, startade den förra året av genomcenterchefen Eric Lander och leds av molekylärbiologen Todd Golub. Andra medlemmar inkluderar ex-IBM-matematikern Jill Mesirov, datavetaren Donna Slonim och beräkningsfysikern Pablo Tamayo, som gick med Whitehead från superdatorföretaget Thinking Machines.

Detta tvärvetenskapliga hjärnförtroende försöker lösa ett enormt viktigt problem inom mönsterigenkänning. Tumörer varierar på subtila sätt, och cancerceller som ser likadana ut i mikroskop reagerar väldigt olika på droger. De saker vi kallar en enda typ av cancer är säkert många typer av cancer, säger Lander, men vi vet inte vilka [skillnader] vi ska leta efter.

För att ge ett riktmärke för de nya metoderna började Landers grupp med två typer av leukemi som redan kan urskiljas under mikroskopet: akut myeloid leukemi (AML) och akut lymfoid leukemi (ALL). De mätte nivåerna av cirka 6 800 olika gener i benmärgsprover från 38 leukemipatienter, som de skulle bryta efter mönster som kunde skilja AML från ALL. Men att arbeta med 6 800 parametrar (generna) och endast 38 datapunkter (proverna) gjorde det till en uppgift som liknar att försöka förutsäga ett val genom att ställa frågor till ett dussin personer. Efter att ha gått igenom ett års förråd av pennor och papper hittade de en lösning.

Ett nyckelsteg var att mata in datapunkterna i en inlärningsalgoritm som kallas en självorganiserande karta. Genom att plotta de 38 proverna i ett högdimensionellt matematiskt utrymme kunde kartalgoritmen dela upp proverna i två grupper - en för varje typ av cancer. Genom att kontrollera mot information om de kända tumörtyperna, säger Lander, blev det klart att klustren bröt ut ALL- och AML-proverna nästan perfekt. Vi visade att om du inte hade känt till skillnaden mellan dessa två typer av leukemier - som faktiskt tog 40 års arbete att etablera - skulle du ha kunnat rekapitulera det på en eftermiddag, säger han.

Forskargruppen fick också en aning om hur värdefulla deras metoder (fortfarande opublicerade när TR gick i tryck) kunde vara för patienterna. Vid ett tillfälle misslyckades algoritmerna med att kategorisera ett prov i någon av leukemikategorierna. Var matematiken felaktig? Nej - diagnosen var. På grund av programmets resultat tog läkarna en ny titt och fann att vad de trodde var leukemi i själva verket var en mycket elakartad muskelcancer, som patienten nu behandlas för. Vid Millennium Pharmaceuticals i Cambridge, Massachusetts, satsar forskare på att liknande tillvägagångssätt kommer att leda till optimala diagnostiska tester för cancer, enligt Dave Ficenec, en före detta astrofysiker anställd av Millennium för att installera de senaste datautvinningsalgoritmerna i sin interna programvara. Företaget har ett nära samarbete med Landers centrum - Lander är en Millennium-grundare som sitter i företagets styrelse.

De nya parallella metoderna för att göra ögonblicksbilder av genuttryck används också för att utvärdera nya läkemedelskandidater. Vid uppstarten av Rosetta Inpharmatics i Kirkland, Washington, håller ett forskarteam på att sammanställa och utvinna databaser för genmönster för att påskynda upptäckten av läkemedel. Rosetta studerar jästceller, utsätter dem för potentiella nya läkemedel och analyserar sedan nivåer av genuttryck för ledtrådar till läkemedlens verkan. Till exempel kan cellerna snabbt kontrolleras för att se om deras svar matchar ett mönster som är typiskt för toxiska biverkningar. Att kasta ut sådana förlorare tidigt är en del av Rosettas program för att förbättra effektiviteten av läkemedelsupptäckten, säger Stephen Friend, som fungerar som Rosettas chief science officer och chef för programmet för molekylär farmakologi vid Seattles Fred Hutchinson Cancer Research Center. Narkotikaföretagen har noterat, med åtta registrerade sig som Rosetta-partners.

Brain Drain

Medan forskare vid företag och universitet hoppar på datautvinningsvagnen, kommer de sannolikt att stöta på massor av gupp på vägen framåt. Vissa investerare är till exempel fortfarande oroade över att databaser med olika biologiska resultat fortfarande är dåligt sammanlänkade och ibland av ojämn kvalitet. Säger Larry Bock, en investerare på Palo Alto-kontoret för riskföretaget CW Group: Det kan vara lite tidigt för data-mining, eftersom din förmåga att bryta är direkt relaterad till kvaliteten på databasen. Ändå, säger Barbara Dalton, vice VD på riskföretaget SR One i West Conshohocken, Pa., de långsiktiga utsikterna ser bra ut. SR One, tillsammans med Princeton, N.J.s Cardinal Health Partners, satsade på 2 miljoner dollar för att finansiera Larry Hunters startup, Molecular Mining. Datautvinning kommer att bli en central del av läkemedelsupptäckten, förutspår Dalton.

Men innan det händer kan fältet behöva bryta sin allvarligaste flaskhals: en akut brist på mentorer. Bioinformatik har vuxit explosivt under 1990-talet och lockat många av de bästa universitetslärarna och forskarna till den högbetalda privata sektorn. Vi gick från ett väldigt litet intresse för bioinformatik, till Bang! – att ha de flesta som arbetade i företag, säger Mark Adams, som lämnade det akademiska spåret för att arbeta för Cambridge, Massachusetts, bioteknikföretaget Variagenics. Med universiteten dränerade på några av sina smartaste sinnen, undrar många vem som ska utbilda nästa generation av beräkningsbiologer.

En del av svaret kom i juni, när en särskild rådgivande panel sammankallad av NIH-chefen Harold Varmus drog slutsatsen att den amerikanska regeringen borde spendera så mycket som 10 miljoner dollar för att finansiera 20 nya spetskompetens inom biomedicinsk datoranvändning. Flera universitet har också kommit igång, inklusive Johns Hopkins, där ett nytt beräkningsbiologiprogram är på gång, tack vare ett anslag på 2,5 miljoner dollar från Burroughs Wellcome Fund. Stanford, Princeton och University of Chicago planerar alla stora centra som kommer att sammanföra fysikaliska forskare med biologer.

Inom industrin är konvergensen redan verklighet. En tredjedel av Rosetta Inpharmatics 100 anställda är beräkningsforskare, hämtade från så olika områden som ekolodsdetektering, flygledning och astrofysik. Chefsforskaren Stephen Friend säger att han har kommit till en viktig insikt sedan han gick med i företaget 1997. Biologer kan fortfarande ställa de bästa frågorna och designa de mest övertygande experimenten, säger han, men de bästa svaren kommer från fysikerna eller matematikerna. Dessa svar kommer sannolikt att leda till viktiga nya terapier - guld extraherat från bergen i Human Genome Project med verktygen för mönsterigenkänning.

Dölj