Biomedicínskí inženýři aplikují strojové učení na biologické obvody

Biomedicínskí inženýři z Duke University našli způsob, jak použít strojové učení pro modelování interakcí mezi složitými proměnnými v inženýrských bakteriích. Tradičně bylo toto modelování příliš obtížné, ale tyto nové algoritmy lze použít v různých biologických systémech.

Nový výzkum byl zveřejněn v časopise Nature Communications 25. září.

Biomedicínskí výzkumníci se zaměřili na biologický obvod, který byl vložen do bakteriální kultury, a byli schopni předpovědět kruhové vzory. Tento nový způsob modelování byl mnohem rychlejší než tradiční metody. Konkrétně byl 30 000krát rychlejší než aktuální počítačový model.

Aby byli více přesní, výzkumníci poté opakovaně přeškolili model strojového učení. Porovnali odpovědi a použili ho na druhý biologický systém. Druhý systém byl počítačově odlišný od prvního, takže algoritmus nebyl omezen na jeden soubor problémů.

Lingchong You je profesorkou biomedicínského inženýrství na Duke.

“Tato práce byla inspirována Google (GOOGL ), který ukázal, že neuronové sítě mohou porazit člověka v deskové hře Go,” řekla.

“I když hra má jednoduchá pravidla, existuje příliš mnoho možností, aby počítač vypočítal nejlepší další možnost deterministicky,” řekla You. “Zajímal jsem se, zda takový přístup by mohl být užitečný při řešení určitých aspektů biologické složitosti, se kterou se setkáváme.”

Studie použila 13 různých bakteriálních proměnných, včetně rychlosti růstu, difuze, degradace proteinů a pohybu buněk. Jeden počítač by potřeboval alespoň 600 let, aby vypočítal šest hodnot na parametr, ale nový systém strojového učení může dokončit to za hodiny.

“Model, který používáme, je pomalý, protože musí brát v úvahu mezitímní kroky v čase v dostatečně malé míře, aby byl přesný,” řekla Lingchong You. “Ale my se vždy nezajímáme o mezitímní kroky. Chceme pouze konečné výsledky pro určité aplikace. A můžeme se vrátit a zjistit mezitímní kroky, pokud najdeme konečné výsledky zajímavé.”

Postdoktorand Shangying Wang použil hlubokou neuronovou síť, která může dělat předpovědi mnohem rychleji než původní model. Síť používá modelové proměnné jako vstup, přiřazuje náhodné váhy a偏见. Poté dělá předpověď o vzoru, který bakteriální kolonie bude následovat.

První výsledek není správný, ale síť mírně změní váhy a偏见, když obdrží nová trénovací data. Jakmile je dostatek trénovacích dat, předpovědi se stanou přesnějšími a zůstanou takovými.

Byly vyškoleny čtyři různé neuronové sítě a jejich odpovědi byly porovnány. Výzkumníci zjistili, že kdykoli neuronové sítě dělají podobné předpovědi, jsou blízko správné odpovědi.

“Zjistili jsme, že nemusíme ověřovat každou odpověď s pomalejším standardním počítačovým modelem,” řekla You. “Místo toho jsme použili ‘moudrost davu’.”

Po dostatečném tréninku modelu strojového učení biomedicínskí výzkumníci ho použili na biologický obvod. Bylo použito 100 000 simulací dat pro trénink neuronové sítě. Z nich pouze jedna vyprodukovala bakteriální kolonii se třemi kruhy, ale byli také schopni identifikovat určité proměnné, které byly důležité.

“Neuronová síť byla schopna najít vzory a interakce mezi proměnnými, které by jinak byly nemožné objevit,” řekl Wang.

Na konci studie výzkumníci otestovali systém na biologickém systému, který funguje náhodně. Tradičně by museli použít počítačový model, který opakuje určité parametry několikrát, dokud nezjistí nejpravděpodobnější výsledek. Nový systém byl schopen to udělat také a ukázal, že lze aplikovat na různé komplexní biologické systémy.

Biomedicínskí výzkumníci se nyní zaměřují na složitější biologické systémy a pracují na vývoji algoritmu, aby se stal ještě efektivnějším.

“Školili jsme neuronovou síť s 100 000 datovými soubory, ale to mohlo být zbytečné,” řekl Wang. “Vývojujeme algoritmus, kde neuronová síť může interagovat se simulacemi v reálném čase, aby urychlila proces.”

“Naším prvním cílem byl relativně jednoduchý systém,” řekla You. “Nyní chceme zlepšit tyto systémy neuronových sítí, aby poskytly okno do základních dynamik složitějších biologických obvodů.”