Biomedizinische Ingenieure wenden maschinelles Lernen auf biologische Schaltkreise an

Biomedizinische Ingenieure an der Duke University haben einen Weg gefunden, maschinelles Lernen zu nutzen, um Interaktionen zu modellieren, die zwischen komplexen Variablen in manipulierten Bakterien stattfinden. Traditionell war diese Art der Modellierung zu schwierig durchzuführen, aber diese neuen Algorithmen können in mehreren verschiedenen Arten biologischer Systeme verwendet werden.   

Die neue Forschung wurde in der Zeitschrift veröffentlicht Nature Communications veröffentlicht September 25. 

Die biomedizinischen Forscher untersuchten einen biologischen Kreislauf, der in eine Bakterienkultur eingebettet war, und konnten kreisförmige Muster vorhersagen. Diese neue Art der Modellierung war extrem schneller als herkömmliche Methoden. Konkret war es 30,000 Mal schneller als das aktuelle Rechenmodell. 

Um genauer zu sein, trainierten die Forscher das Modell des maschinellen Lernens anschließend mehrmals neu. Sie verglichen die Antworten und verwendeten sie auf einem zweiten biologischen System. Das zweite System unterschied sich rechnerisch vom ersten, sodass der Algorithmus nicht auf eine Reihe von Problemen beschränkt war. 

Lingchong You ist Professor für Biomedizintechnik an der Duke. 

„Diese Arbeit wurde von Google inspiriert, das zeigte, dass neuronale Netze lernen können, einen Menschen im Brettspiel Go zu besiegen.“ Sie sagte. 

„Obwohl das Spiel einfache Regeln hat, gibt es viel zu viele Möglichkeiten für einen Computer, die beste nächste Option deterministisch zu berechnen“, sagte Sie. „Ich habe mich gefragt, ob ein solcher Ansatz bei der Bewältigung bestimmter Aspekte der biologischen Komplexität, mit denen wir konfrontiert sind, nützlich sein könnte.“

Die Studie verwendete 13 verschiedene bakterielle Variablen, darunter Wachstumsraten, Diffusion, Proteinabbau und Zellbewegung. Ein einzelner Computer würde mindestens 600 Jahre brauchen, um sechs Werte pro Parameter zu berechnen, aber das neue maschinelle Lernsystem kann dies in Stunden schaffen. 

„Unser Modell ist langsam, weil es die Zwischenschritte in einem ausreichend kleinen Zeitintervall berücksichtigen muss, um genau zu sein“, sagte Lingchong You. „Aber die Zwischenschritte sind uns nicht immer wichtig. Wir wollen nur die Endergebnisse für bestimmte Anwendungen. Und wir können die Zwischenschritte (wieder) berechnen, wenn wir die Endergebnisse interessant finden.“

Der Postdoktorand Shangying Wang nutzte ein tiefes neuronales Netzwerk, das Vorhersagen viel schneller treffen kann als das ursprüngliche Modell. Das Netzwerk verwendet Modellvariablen als Eingabe und weist zufällige Gewichtungen und Verzerrungen zu. Anschließend wird eine Vorhersage über das Muster getroffen, dem die Bakterienkolonie folgen wird. 

Das erste Ergebnis ist nicht korrekt, aber das Netzwerk ändert die Gewichtungen und Verzerrungen leicht, wenn ihm neue Trainingsdaten zur Verfügung gestellt werden. Sobald genügend Trainingsdaten vorliegen, werden die Vorhersagen genauer und bleiben dies auch. 

Es wurden vier verschiedene neuronale Netze trainiert und ihre Antworten verglichen. Die Forscher fanden heraus, dass die neuronalen Netze immer dann, wenn sie ähnliche Vorhersagen machten, der richtigen Antwort nahe kamen. 

„Wir haben festgestellt, dass wir mit dem langsameren Standard-Rechenmodell nicht jede Antwort validieren müssen“, sagte You. „Stattdessen haben wir im Wesentlichen die ‚Weisheit der Masse‘ genutzt.“

Nachdem das Modell des maschinellen Lernens ausreichend trainiert war, verwendeten die biomedizinischen Forscher es in einem biologischen Kreislauf. Zum Training des neuronalen Netzwerks wurden 100,000 Datensimulationen verwendet. Von allen produzierte nur eine eine Bakterienkolonie mit drei Ringen, aber sie konnten auch bestimmte wichtige Variablen identifizieren. 

„Das neuronale Netz war in der Lage, Muster und Wechselwirkungen zwischen den Variablen zu finden, die sonst unmöglich gewesen wären, aufzudecken“, sagte Wang.

Zum Abschluss der Studie testeten die Forscher sie an einem biologischen System, das zufällig funktioniert. Traditionell müssten sie ein Computermodell verwenden, das bestimmte Parameter mehrmals wiederholt, bis das wahrscheinlichste Ergebnis ermittelt wird. Dies gelang dem neuen System ebenfalls und zeigte, dass es auf verschiedene komplexe biologische Systeme anwendbar ist. 

Die biomedizinischen Forscher haben sich nun komplexeren biologischen Systemen zugewandt und arbeiten daran, den Algorithmus noch effizienter zu entwickeln. 

„Wir haben das neuronale Netzwerk mit 100,000 Datensätzen trainiert, aber das wäre vielleicht übertrieben gewesen“, sagte Wang. „Wir entwickeln einen Algorithmus, bei dem das neuronale Netzwerk in Echtzeit mit Simulationen interagieren kann, um die Dinge zu beschleunigen.“

„Unser erstes Ziel war ein relativ einfaches System“, sagte You. „Jetzt wollen wir diese neuronalen Netzwerksysteme verbessern, um einen Einblick in die zugrunde liegende Dynamik komplexerer biologischer Schaltkreise zu ermöglichen.“