أساسيات الذكاء الاصطناعي
مهندسو الطب الحيوي يطبقون التعلم الآلي على الدوائر البيولوجية
أضف Unite.AI إلى مصادرك المفضلة على Google
مهندسو الطب الحيوي في جامعة ديوك وجدوا طريقة لاستخدام التعلم الآلي لنمذجة التفاعلات التي تحدث بين المتغيرات المعقدة في البكتيريا الهندسية. تقليديا، كان هذا النوع من النمذجة صعبا للغاية، ولكن الخوارزميات الجديدة يمكن استخدامها في أنظمة بيولوجية متعددة.
نشرت الأبحاث الجديدة في مجلة نيتشر كوميونيكيشنز في 25 سبتمبر.
نظر الباحثون في دائرة بيولوجية متضمنة في ثقافة بكتيرية، وقاموا بتوقع الأنماط الدائرية. كانت هذه الطريقة الجديدة من النمذجة أسرع بكثير من الطرق التقليدية. على وجه التحديد، كانت 30,000 مرة أسرع من النموذج الحاسوبي الحالي.
为了 تحقيق دقة أكبر، قام الباحثون بإعادة تدريب نموذج التعلم الآلي عدة مرات. قارنوا الإجابات واستخدموه على نظام بيولوجي ثاني. كان النظام الثاني مختلفا حسابيا عن الأول، لذلك لم يكن الخوارزمية مقيدة بمجموعة واحدة من المشاكل.
لينغتشونغ يو هو أستاذ الهندسة الطبية الحيوية في جامعة ديوك.
“كان هذا العمل مستوحى من جوجل التي أظهرت أن الشبكات العصبية يمكن أن تتعلم لتحقيق انتصار على الإنسان في لعبة غو”، قالت.
(GOOGL )“على الرغم من أن اللعبة لها قواعد بسيطة، هناك إمكانيات كثيرة جدا لكي يتمكن الحاسوب من حساب الخيار التالي الأمثل بطريقة حتمية”، قالت يو. “سألت نفسي إذا كان يمكن أن يكون هذا النهج مفيدا في التعامل مع بعض جوانب التعقيد البيولوجي الذي نواجهه”.
استخدمت الدراسة 13 متغيرا بكتيريا مختلفا، بما في ذلك معدلات النمو والانتشار والتحلل البروتيني والحركة الخلوية. سوف تحتاج آلة حاسوب واحدة إلى ما لا يقل عن 600 سنة لحساب ستة قيم لكل معامل، ولكن نظام التعلم الآلي الجديد يمكن أن يكملها في ساعات.
“النموذج الذي نستخدمه بطيء لأننا يجب أن نأخذ في الاعتبار الخطوات الوسيطية في الوقت المناسب بمعدل كاف لضمان الدقة”، قال لينغتشونغ يو. “لكننا لا نعتني دائما بالخطوات الوسيطية. نحن نريد فقط النتائج النهائية لمعظم التطبيقات. ونحن يمكن أن (نعود إلى) نحدد الخطوات الوسيطية إذا وجدنا النتائج النهائية مثيرة للاهتمام”.
استخدم زميل ما بعد الدكتوراه شانغينغ وانغ شبكة عصبية عميقة قادرة على إجراء تنبؤات أسرع بكثير من النموذج الأصلي. تستخدم الشبكة متغيرات النموذج كمدخلات وتعيين أوزان و偏اسات عشوائية. ثم، تقدم تنبؤا حول النمط الذي سوف تتبعه المستعمرة البكتيرية.
النتيجة الأولى ليست صحيحة، ولكن الشبكة تغير قليلا الأوزان وال偏اسات عند تقديم بيانات تدريبية جديدة. بمجرد أن يتم توفير بيانات تدريبية كافية، سوف تصبح التنبؤات أكثر دقة وتبقى كذلك.
تم تدريب أربع شبكات عصبية مختلفة، وقورنت إجاباتها. اكتشف الباحثون أن عندما تقدم الشبكات العصبية تنبؤات متشابهة، كانت قريبة من الإجابة الصحيحة.
“اكتشفنا أننا لا نحتاج إلى التحقق من كل إجابة باستخدام نموذج الحاسوب البطيء”، قال يو. “استخدمنا بدلا من ذلك ‘حكمة الجماعة'”.
بعد تدريب نموذج التعلم الآلي بشكل كاف، استخدم الباحثون البيولوجيون عليه دائرة بيولوجية. تم استخدام 100,000 محاكاة بيانات لتدريب الشبكة العصبية. من بين جميع هذه المحاكاة، أنتجت واحدة فقط مستعمرة بكتيرية ذات ثلاثة حلقات، ولكنهم كانوا أيضا قادرين على تحديد بعض المتغيرات المهمة.
“كانت الشبكة العصبية قادرة على العثور على أنماط وتفاعلات بين المتغيرات التي كانت لولا ذلك مستحيلة العثور عليها”، قال وانغ.
لإنهاء الدراسة، قام الباحثون بتحليل نظام بيولوجي يعمل بشكل عشوائي. تقليديا، كانوا سوف يستخدمون نموذج حاسوبي يكرر معاملات معينة عدة مرات حتى يتمكنوا من تحديد النتيجة الأكثر احتمالا. كان نظام التعلم الآلي الجديد قادرا على القيام بذلك أيضا، وأظهر أنه يمكن تطبيقه على أنظمة بيولوجية معقدة مختلفة.
turned إلى أنظمة بيولوجية أكثر تعقيدا، ويعملون على تطوير الخوارزمية لجعلها أكثر كفاءة.
“لقد قمنا بتدريب الشبكة العصبية مع 100,000 مجموعة بيانات، ولكن ذلك قد يكون أكثر من اللازم”، قال وانغ. “نحن
نطور خوارزمية حيث يمكن للشبكة العصبية التفاعل مع المحاكاة في الوقت الفعلي لمساعدتنا على تسريع الأمور”، قال.
“كان هدفنا الأول نظاما بسيطا نسبيا”، قال يو. “الآن نريد تحسين هذه الأنظمة العصبية لتوفير نافذة إلى الديناميات الكامنة لأكثر الدوائر البيولوجية تعقيدا”.
