يطبق مهندسو الطب الحيوي التعلم الآلي على الدوائر البيولوجية

مهندسو الطب الحيوي في جامعة ديوك اكتشفوا طريقة لاستخدام التعلم الآلي من أجل نمذجة التفاعلات التي تحدث بين المتغيرات المعقدة في البكتيريا المهندسة. تقليديًا، كان من الصعب إكمال هذا النوع من النمذجة، ولكن يمكن استخدام هذه الخوارزميات الجديدة ضمن أنواع متعددة ومختلفة من الأنظمة البيولوجية.   

تم نشر البحث الجديد في المجلة طبيعة الاتصالات سبتمبر 25. 

نظر الباحثون في الطب الحيوي إلى دائرة بيولوجية كانت جزءًا لا يتجزأ من ثقافة بكتيرية ، وكانوا قادرين على التنبؤ بالأنماط الدائرية. كانت هذه الطريقة الجديدة في النمذجة أسرع بكثير من الطرق التقليدية. على وجه التحديد ، كان أسرع بـ 30,000 ألف مرة من النموذج الحسابي الحالي. 

من أجل أن تكون أكثر دقة ، أعاد الباحثون تدريب نموذج التعلم الآلي عدة مرات. قارنوا الإجابات واستخدموها على نظام بيولوجي ثان. كان النظام الثاني مختلفًا من الناحية الحسابية عن الأول ، لذا لم تقتصر الخوارزمية على مجموعة واحدة من المشكلات. 

Lingchong You هو أستاذ الهندسة الطبية الحيوية في جامعة ديوك. 

"هذا العمل مستوحى من Google لإظهار أن الشبكات العصبية يمكن أن تتعلم التغلب على الإنسان في لعبة اللوحة Go." قالت. 

قلت: "على الرغم من أن اللعبة تحتوي على قواعد بسيطة ، إلا أن هناك الكثير جدًا من الاحتمالات لجهاز الكمبيوتر لحساب الخيار التالي الأفضل بشكل حاسم". "تساءلت عما إذا كان مثل هذا النهج يمكن أن يكون مفيدًا في التعامل مع جوانب معينة من التعقيد البيولوجي التي تواجهنا."

استخدمت الدراسة 13 متغيرًا بكتيريًا مختلفًا بما في ذلك معدلات النمو والانتشار وتدهور البروتين والحركة الخلوية. سيحتاج جهاز كمبيوتر واحد إلى 600 عام على الأقل لحساب ست قيم لكل معلمة ، ولكن يمكن لنظام التعلم الآلي الجديد إكمالها في غضون ساعات. 

قال لينغتشونغ يو: "النموذج الذي نستخدمه بطيء لأنه يتطلب مراعاة الخطوات الوسيطة في الوقت بمعدل صغير بما يكفي ليكون دقيقًا. لكننا لا نهتم دائمًا بالخطوات الوسيطة. كل ما نريده هو النتائج النهائية لتطبيقات معينة. ويمكننا (العودة إلى) تحديد الخطوات الوسيطة إذا وجدنا النتائج النهائية مثيرة للاهتمام".

استخدم Shangying Wang زميل ما بعد الدكتوراه شبكة عصبية عميقة قادرة على إجراء تنبؤات أسرع بكثير من النموذج الأصلي. تستخدم الشبكة متغيرات النموذج كمدخلات ، وتقوم بتعيين أوزان وتحيزات عشوائية. ثم يقوم بالتنبؤ بالنمط الذي ستتبعه المستعمرة البكتيرية. 

النتيجة الأولى غير صحيحة ، لكن الشبكة تغير قليلاً من الأوزان والتحيزات حيث يتم إعطاؤها بيانات تدريب جديدة. بمجرد توفر بيانات تدريب كافية ، ستصبح التنبؤات أكثر دقة وستبقى على هذا النحو. 

كانت هناك أربع شبكات عصبية مختلفة تم تدريبها ، وتمت مقارنة إجاباتها. اكتشف الباحثون أنه كلما قامت الشبكات العصبية بعمل تنبؤات متشابهة ، كانت قريبة من الإجابة الصحيحة. 

قال يو: "اكتشفنا أننا لسنا بحاجة للتحقق من صحة كل إجابة باستخدام نموذج حسابي قياسي أبطأ. لقد استخدمنا حكمة الجمهور".

بعد أن تم تدريب نموذج التعلم الآلي بشكل كافٍ ، استخدمه الباحثون في الطب الحيوي في دائرة بيولوجية. تم استخدام 100,000،XNUMX محاكاة بيانات لتدريب الشبكة العصبية. من بين كل هؤلاء ، أنتجت واحدة فقط مستعمرة بكتيرية ذات ثلاث حلقات ، لكنها كانت أيضًا قادرة على تحديد متغيرات معينة كانت مهمة. 

قال وانج: "كانت الشبكة العصبية قادرة على إيجاد أنماط وتفاعلات بين المتغيرات التي كان من المستحيل الكشف عنها لولا ذلك".

لإنهاء الدراسة ، اختبرها الباحثون على نظام بيولوجي يعمل بشكل عشوائي. تقليديا ، كان عليهم استخدام نموذج كمبيوتر يكرر معلمات معينة عدة مرات حتى يحدد النتيجة الأكثر احتمالا. كان النظام الجديد قادرًا على القيام بذلك أيضًا ، وأظهر أنه يمكن تطبيقه على أنظمة بيولوجية معقدة مختلفة. 

تحول الباحثون في الطب الحيوي الآن إلى أنظمة بيولوجية أكثر تعقيدًا ، وهم يعملون على تطوير الخوارزمية لتصبح أكثر كفاءة. 

قال وانغ: "درّبنا الشبكة العصبية باستخدام 100,000 مجموعة بيانات، لكن ذلك قد يكون مُبالغًا فيه. نعمل حاليًا على تطوير خوارزمية تُمكّن الشبكة العصبية من التفاعل مع عمليات المحاكاة آنيًا لتسريع العملية".

قال أنت: "كان هدفنا الأول نظامًا بسيطًا نسبيًا". "نريد الآن تحسين أنظمة الشبكة العصبية هذه لتوفير نافذة على الديناميكيات الأساسية للدوائر البيولوجية الأكثر تعقيدًا."