Forskere bruger AI til at få dybere indsigt i celletilvækst

Et hold af videnskabsmænd ved University of Tokyos Institute of Industrial Science har designede en ny maskinelæringsalgoritme, der kan forudsige størrelsen af en enkelt celle, mens den vokser og deler sig.

Holdets kunstige neurale netværk giver en computer mulighed for at lave mere præcise forudsigelser i forhold til metoder, der udelukkende afhænger af almindelige antagelser i biologi. Ifølge holdet kan de nye udviklinger hjælpe med at fremme feltet kvantitativ biologi og forbedre den industrielle produktion af medicin.

Biologiens felt

Biologiens felt, ligesom alle naturvidenskaber, afhænger af matematiske modeller, der laver forudsigelser om fremtiden på baggrund af data. Fordi levende systemer og biologiske livsformer er ekstremt komplekse, kan disse ligninger ikke altid være fuldt til at stole på. De afhænger ofte af forenklingende antagelser, der ikke nødvendigvis afspejler de virkelige biologiske processer.

Derfor vendte holdet af forskere sig til den nye maskinelæringsalgoritme, der kan bruge den målte størrelse af enkeltceller over tid til at forudsige deres fremtidige størrelse. En af de største fordelene ved computersystemet er, at det automatisk genkender mønstre i data, hvilket betyder, at det ikke er begrænset som andre konventionelle metoder.

Atsushi Kamimura er den første forfatter af forskningspapiret.

“I biologi bruges ofte simple modeller baseret på deres evne til at reproducere de målte data,” siger Kamimura. “Men modellerne kan fejle i at fange, hvad der virkelig sker, på grund af menneskelige forudindtagelser.”

Indsamling af data

Studiet afhang af data indsamlet fra enten en Escherichia coli-bakterie eller en Schizosaccharomyces pombe-gær-celle, der blev holdt i en mikrofluidisk kanal med varierende temperaturer.

Det viste sig, at plotstørrelsen fremstod som en “savtand” som den eksponentielle vækst blev afbrudt af delingsbegivenheder. Traditionelt afhænger menneskelige biologer af en “sizer”-model, der er baseret på cellens absolutte størrelse, eller en “adder”-model, der er baseret på størrelsesøgningen siden fødslen. De bruger disse modeller til at forudsige, når delinger vil forekomme.

Mens computerprogrammet demonstrerede, at “adder”-princippet er effektivt, fandt det, at det var en del af et større og mere komplekst system af biokemiske reaktioner og signalering.

Tetsuya Kobayashi er seniorforfatter af papiret.

“Vores deep-learning neurale netværk kan effektivt adskille de historieafhængige deterministiske faktorer fra støjen i givet data,” siger Kobayashi.

Holdet siger, at denne metode kunne bruges i andre områder af biologi, ikke kun til at forudsige cellestørrelse. Livsvidenskab vil i stigende grad afhænge af kunstig intelligens i stedet for menneskelige modeller, og AI vil være i stand til at opdage nye og effektive måder at kontrollere mikroorganismer på, hvilket vil have en stor indvirkning på, hvordan vi fermenterer produkter og producerer medicin.