Vědci používají umělou inteligenci k hlubšímu pochopení růstu buněk

Tým vědců z Tokijského univerzitního institutu průmyslových věd navrhl nový algoritmus strojového učení, který je schopen předpovídat velikost jednotlivé buňky během jejího růstu a dělení.

Týmův umělý neuronový síť umožňuje počítači dělat přesnější předpovědi ve srovnání s metodami, které se spoléhají pouze na běžné předpoklady v biologii. Podle týmu by nové objevy mohly pomoci pokroku v oblasti kvantitativní biologie a zlepšit průmyslovou výrobu léků.

Obor biologie

Obor biologie, stejně jako všechny přírodní vědy, spoléhá na matematické modely, které dělají předpovědi o budoucnosti na základě dat. Protože živé systémy a biologické organismy jsou extrémně složitými, tyto rovnice nelze vždy plně důvěřovat. Často se spoléhají na zjednodušující předpoklady, které nemusí přesně odrážet skutečné biologické procesy.

Z tohoto důvodu se tým vědců obrátil na nový algoritmus strojového učení, který může použít měřenou velikost jednotlivých buněk v čase, aby předpověděl jejich budoucí velikost. Jedním z hlavních výhod počítačového systému je, že automaticky rozpoznává vzory v datech, což znamená, že není omezen jako jiné konvenční metody.

Atsushi Kamimura je prvním autorem výzkumné práce.

“V biologii se často používají jednoduché modely na základě jejich schopnosti reprodukovat měřená data,” říká Kamimura. “Nicméně, modely mohou selhat v zachycení toho, co se skutečně děje kvůli lidským předpokladům.”

Shromažďování dat

Studie se spoléhala na data shromážděná z buňky Escherichia coli nebo kvasinky Schizosaccharomyces pombe, která byla držena v mikrofluidním kanálu s různými teplotami.

Zjistilo se, že velikost plotu se objevila jako „pilovitá“ při exponenciálním růstu, který byl přerušen děleními. Tradičně se lidské biologie spoléhají na „sizer“ model, který je založen na absolutní velikosti buňky, nebo „adder“ model, který je založen na zvýšení velikosti od narození. Používají tyto modely k předpovědi, kdy dojde k dělení.

Zatímco počítačový program prokázal, že „adder“ princip je účinný, zjistilo se, že je součástí většího a složitějšího systému biochemických reakcí a signálů.

Tetsuya Kobayashi je seniorním autorem článku.

“Naše hluboké učení neuronové sítě může účinně oddělit historicky závislé deterministické faktory od šumu v daných datech,” říká Kobayashi.

Tým říká, že tato metoda by mohla být použita v jiných oblastech biologie, nejen pro předpověď velikosti buněk. Věda o životě bude stále více spoléhat na umělou inteligenci místo lidských modelů, a umělá inteligence bude schopna objevit nové a efektivní způsoby, jak ovládat mikroorganismy, což bude mít velký dopad na to, jak fermentujeme produkty a vyrábíme léky.