Biomedizinische Ingenieure wenden Machine Learning auf biologische Schaltkreise an

Biomedizinische Ingenieure an der Duke University haben eine Möglichkeit gefunden, Machine Learning zu verwenden, um Interaktionen zwischen komplexen Variablen in genetisch veränderten Bakterien zu modellieren. Traditionell war diese Art der Modellierung zu schwierig, aber diese neuen Algorithmen können in verschiedenen biologischen Systemen verwendet werden.

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

Die biomedizinischen Forscher untersuchten einen biologischen Schaltkreis, der in eine Bakterienkultur eingebettet war, und konnten kreisförmige Muster vorhersagen. Diese neue Art der Modellierung war extrem schneller als herkömmliche Methoden. Insbesondere war sie 30.000 Mal schneller als das aktuelle computergestützte Modell.

Um genauer zu sein, trainierten die Forscher das Machine-Learning-Modell mehrmals. Sie verglichen die Antworten und verwendeten es auf einem zweiten biologischen System. Das zweite System war computationally anders als das erste, sodass der Algorithmus nicht auf ein bestimmtes Problem beschränkt war.

Lingchong You ist Professorin für Biomedizinische Ingenieurwissenschaften an der Duke University.

“Diese Arbeit wurde von Google (GOOGL ) inspiriert, das gezeigt hat, dass neuronale Netze lernen können, einen Menschen im Brettspiel Go zu schlagen”, sagte sie.

“Obwohl das Spiel einfache Regeln hat, gibt es viel zu viele Möglichkeiten, sodass ein Computer nicht deterministisch die beste nächste Option berechnen kann”, sagte You. “Ich fragte mich, ob ein solcher Ansatz nützlich sein könnte, um bestimmte Aspekte der biologischen Komplexität zu bewältigen, mit der wir konfrontiert sind.”

Die Studie verwendete 13 verschiedene Bakterienvariablen, einschließlich Wachstumsraten, Diffusion, Proteindegradation und zellulärer Bewegung. Ein einzelner Computer würde mindestens 600 Jahre benötigen, um sechs Werte pro Parameter zu berechnen, aber das neue Machine-Learning-System kann dies in Stunden durchführen.

“Das Modell, das wir verwenden, ist langsam, weil es Zwischenschritte in der Zeit bei einer kleinen Rate berücksichtigen muss, um genau zu sein”, sagte Lingchong You. “Aber wir kümmern uns nicht immer um die Zwischenschritte. Wir wollen nur die Endresultate für bestimmte Anwendungen. Und wir können zurückgehen und die Zwischenschritte herausfinden, wenn wir die Endresultate interessant finden.”

Der Postdoktorand Shangying Wang verwendete ein tiefes neuronales Netz, das viel schneller als das ursprüngliche Modell Vorhersagen treffen kann. Das Netz verwendet Modellvariablen als Eingabe und weist zufällige Gewichte und Vorurteile zu. Dann macht es eine Vorhersage über das Muster, das die Bakterienkolonie folgen wird.

Das erste Ergebnis ist nicht korrekt, aber das Netz ändert die Gewichte und Vorurteile leicht, wenn es neue Trainingsdaten erhält. Sobald genügend Trainingsdaten vorhanden sind, werden die Vorhersagen genauer und bleiben so.

Es wurden vier verschiedene neuronale Netze trainiert und ihre Antworten verglichen. Die Forscher entdeckten, dass die neuronalen Netze, wenn sie ähnliche Vorhersagen treffen, nahe am korrekten Ergebnis sind.

“Wir entdeckten, dass wir nicht jedes Ergebnis mit dem langsameren Standard-Computationsmodell validieren mussten”, sagte You. “Wir verwendeten stattdessen die ‘Weisheit der Menge’.”

Nachdem das Machine-Learning-Modell ausreichend trainiert war, verwendeten die biomedizinischen Forscher es auf einem biologischen Schaltkreis. Es wurden 100.000 Datensimulationen verwendet, um das neuronale Netz zu trainieren. Von all diesen produzierte nur eines eine Bakterienkolonie mit drei Ringen, aber sie konnten bestimmte Variablen identifizieren, die wichtig waren.

“Das neuronale Netz konnte Muster und Interaktionen zwischen den Variablen finden, die sonst unmöglich zu entdecken gewesen wären”, sagte Wang.

Um die Studie abzuschließen, testeten die Forscher es auf einem biologischen System, das zufällig operiert. Traditionell hätten sie ein Computermodell verwenden müssen, das bestimmte Parameter mehrmals wiederholt, bis es das wahrscheinlichste Ergebnis identifiziert. Das neue System konnte dies auch tun und zeigte, dass es auf verschiedene komplexe biologische Systeme angewendet werden kann.

Die biomedizinischen Forscher haben sich nun komplexeren biologischen Systemen zugewandt und arbeiten an der Entwicklung des Algorithmus, um ihn noch effizienter zu machen.

“Wir trainierten das neuronale Netz mit 100.000 Datensätzen, aber das könnte übertrieben gewesen sein”, sagte Wang. “Wir entwickeln einen Algorithmus, bei dem das neuronale Netz 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 Netze verbessern, um ein Fenster in die zugrunde liegende Dynamik komplexerer biologischer Schaltkreise zu bieten.”