Biomedicinske ingeniører anvender maskinlæring til biologiske kredsløb

Biomedicinske ingeniører ved Duke University har fundet en måde at bruge maskinlæring til at modellere interaktioner, der finder sted mellem komplekse variable i fremstillede bakterier. Traditionelt har denne type modellering været for svær at gennemføre, men disse nye algoritmer kan bruges inden for multiple forskellige biologiske systemer.

Den nye forskning blev offentliggjort i tidsskriftet Nature Communications den 25. september.

De biomedicinske forskere undersøgte et biologisk kredsløb, der var indlejret i en bakteriekultur, og de kunne forudsige cirkulære mønstre. Denne nye måde at modellere var ekstremt hurtigere end traditionelle metoder. Specifikt var det 30.000 gange hurtigere end den nuværende computermæssige model.

For at være mere præcis, genoptrænede forskerne derefter maskinlæringsmodellen flere gange. De sammenlignede svarene og brugte det på et andet biologisk system. Det andet system var computermæssigt forskelligt fra det første, så algoritmen var ikke begrænset til ét sæt problemer.

Lingchong You er professor i biomedicinsk ingeniørvidenskab ved Duke.

“Dette arbejde blev inspireret af Google (GOOGL ), der viste, at neurale netværk kan lære at slå en menneskelig spiller i brætspillet Go”, sagde hun.

“Selv om spillet har simple regler, er der langt for mange muligheder for en computer at beregne den bedste næste mulighed deterministisk”, sagde You. “Jeg undrede mig over, om en sådan tilgang kunne være nyttig til at tackle visse aspekter af biologisk kompleksitet, der konfronterer os.”

Studiet brugte 13 forskellige bakterievariable, herunder vækstrater, diffusion, proteindegradering og cellebevægelse. En enkelt computer ville have brugt mindst 600 år for at beregne seks værdier per parameter, men det nye maskinlæringsystem kan gøre det på få timer.

“Modellen, vi bruger, er langsom, fordi den skal tage højde for mellemtrin i tid på en tilstrækkelig lille rate for at være præcis”, sagde Lingchong You. “Men vi er ikke altid bekymrede for mellemtrinnene. Vi vil bare have slutresultaterne for visse anvendelser. Og vi kan gå tilbage og finde mellemtrinnene, hvis vi finder slutresultaterne interessante.”

Postdoc-medhjælper Shangying Wang brugte et dybt neuralt netværk, der kan gøre forudsigelser meget hurtigere end den oprindelige model. Netværket bruger modelvariable som input og tildeler tilfældige vægte og forudsigelser. Derefter gør det en forudsigelse om mønsteret, som bakteriekolonien vil følge.

Det første resultat er ikke korrekt, men netværket ændrer lidt vægtene og forudsigelserne, når det får nye træningsdata. Når der har været tilstrækkelig træningsdata, bliver forudsigelserne mere præcise og bliver sådan.

Der var fire forskellige neurale netværk, der blev trænet, og deres svar blev sammenlignet. Forskerne opdagede, at når de neurale netværk gjorde lignende forudsigelser, var de tæt på det korrekte svar.

“Vi opdagede, at vi ikke behøvede at validere hvert svar med den langsommere standard-computermæssige model”, sagde You. “Vi brugte i stedet ‘visdommen fra mængden’.”

Efter at maskinlæringsmodellen var tilstrækkeligt trænet, brugte de biomedicinske forskere den på et biologisk kredsløb. Der blev brugt 100.000 datasimuleringer til at træne det neurale netværk. Af alle disse producerede kun én en bakteriekoloni med tre ringe, men de kunne også identificere visse variable, der var vigtige.

“Det neurale netværk kunne finde mønstre og interaktioner mellem variabler, der ellers ville have været umulige at afsløre”, sagde Wang.

For at afslutte studiet, testede forskerne det på et biologisk system, der fungerer tilfældigt. Traditionelt ville de have brugt en computermodel, der gentager visse parametre flere gange, indtil den finder den mest sandsynlige udfald. Det nye system kunne også gøre dette og viste, at det kan anvendes på forskellige komplekse biologiske systemer.

De biomedicinske forskere har nu vendt sig mod mere komplekse biologiske systemer og arbejder på at udvikle algoritmen til at blive endnu mere effektiv.

“Vi trænede det neurale netværk med 100.000 datasæt, men det kan have været overkill”, sagde Wang. “Vi udvikler en algoritme, hvor det neurale netværk kan interagere med simuleringer i realtid for at hjælpe med at fremskynde tingene.”

“Vores første mål var et relativt enkelt system”, sagde You. “Nu vil vi forbedre disse neurale netværkssystemer til at give en vindue ind i de underliggende dynamikker af mere komplekse biologiske kredsløb.”