Βιοϊατρικοί Μηχανικοί Εφαρμόζουν Μαθηματική Μάθηση σε Βιολογικά Κυκλώματα

Οι βιοϊατρικοί μηχανικοί στο Πανεπιστήμιο του Ντιούκ έχουν ανακαλύψει έναν τρόπο να χρησιμοποιούν τη μαθηματική μάθηση για να μοντελοποιούν τις αλληλεπιδράσεις που λαμβάνουν χώρα μεταξύ σύνθετων متαβλητών σε σχεδιασμένα βακτήρια. Παραδοσιακά, αυτό το είδος μοντελοποίησης ήταν πολύ δύσκολο να ολοκληρωθεί, αλλά οι νέες αλγόριθμοι μπορούν να χρησιμοποιηθούν σε πολλά διαφορετικά βιολογικά συστήματα.

Η νέα έρευνα δημοσιεύθηκε στο περιοδικό Nature Communications στις 25 Σεπτεμβρίου.

Οι ερευνητές των βιοϊατρικών επιστημών εξέτασαν ένα βιολογικό κύκλωμα που ήταν ενσωματωμένο σε μια βακτηριακή κουλτούρα και μπόρεσαν να προβλέψουν κυκλικές μοτίβα. Αυτός ο νέος τρόπος μοντελοποίησης ήταν εξαιρετικά ταχύτερος από τις παραδοσιακές μεθόδους. Συγκεκριμένα, ήταν 30.000 φορές ταχύτερος από το τρέχον υπολογιστικό μοντέλο.

Για να είναι πιο ακριβείς, οι ερευνητές επαναέναψαν το μοντέλο της μαθηματικής μάθησης πολλές φορές. Σύγκριναν τις απαντήσεις και το χρησιμοποίησαν σε ένα δεύτερο βιολογικό σύστημα. Το δεύτερο σύστημα ήταν υπολογιστικά διαφορετικό από το πρώτο, οπότε ο αλγόριθμος δεν ήταν περιορισμένος σε ένα σύνολο προβλημάτων.

Ο Lingchong You είναι καθηγητής βιοϊατρικής μηχανικής στο Ντιούκ.

“Αυτή η εργασία ενέπνευσε από την Google (GOOGL ) που έδειξε ότι τα νευρωνικά δίκτυα μπορούν να μάθουν να νικούν έναν άνθρωπο στο παιχνίδι Go” είπε.

“Ακόμη και αν το παιχνίδι έχει απλά κανόνες, υπάρχουν πολύ περισσότερες πιθανότητες για einen υπολογιστή να υπολογίσει την καλύτερη επόμενη επιλογή με deterministik образом,” είπε ο You. “Σκέφτηκα αν μια τέτοια προσέγγιση θα μπορούσε να είναι χρήσιμη για την αντιμετώπιση ορισμένων аспектων της βιολογικής πολυπλοκότητας που αντιμετωπίζουμε.”

Η μελέτη χρησιμοποίησε 13 διαφορετικές βακτηριακές μεταβλητές, συμπεριλαμβανομένων των ρυθμών αύξησης, διάχυσης, αποσύνθεσης πρωτεϊνών και κινητικότητας κυττάρων. Ένας đơnός υπολογιστής θα χρειαζόταν τουλάχιστον 600 χρόνια για να υπολογίσει έξι τιμές ανά παράμετρο, αλλά το νέο σύστημα της μαθηματικής μάθησης μπορεί να το ολοκληρώσει σε quelques ώρες.

“Το μοντέλο που χρησιμοποιούμε είναι αργό επειδή πρέπει να λαμβάνει υπόψη τα ενδιάμεσα βήματα στο χρόνο με έναν αρκετά μικρό ρυθμό για να είναι ακριβές,” είπε ο Lingchong You. “Αλλά δεν μας ενδιαφέρει πάντα για τα ενδιάμεσα βήματα. Θέλουμε μόνο τα τελικά αποτελέσματα για ορισμένες εφαρμογές. Και μπορούμε να (επιστρέψουμε) να βρούμε τα ενδιάμεσα βήματα αν βρούμε τα τελικά αποτελέσματα ενδιαφέροντα.”

Ο μεταδιδακτορικός συνεργάτης Shangying Wang χρησιμοποίησε ένα βαθύ νευρωνικό δίκτυο που μπορεί να κάνει προβλέψεις πολύ ταχύτερα από το αρχικό μοντέλο. Το δίκτυο χρησιμοποιεί τις μεταβλητές του μοντέλου ως είσοδο, και αναθέτει τυχαίες βαρύτητες και προκαταλήψεις. Στη συνέχεια, κάνει μια πρόβλεψη σχετικά με το μοτίβο που θα ακολουθήσει η βακτηριακή αποικία.

Το πρώτο αποτέλεσμα δεν είναι σωστό, αλλά το δίκτυο αλλάζει ελαφρά τις βαρύτητες και τις προκαταλήψεις καθώς λαμβάνει νέα δεδομένα εκπαίδευσης. Μόλις υπάρξει αρκετό δεδομένο εκπαίδευσης, οι προβλέψεις θα γίνουν πιο ακριβείς και θα παραμείνουν così.

Υπήρχαν τέσσερα διαφορετικά νευρωνικά δίκτυα που εκπαιδεύτηκαν, και οι απαντήσεις τους συγκρίθηκαν. Οι ερευνητές ανακάλυψαν ότι όποτε τα νευρωνικά δίκτυα κάνουν παρόμοιες προβλέψεις, ήταν κοντά στην σωστή απάντηση.

“Ανακαλύψαμε ότι δεν χρειαζόμαστε να επικυρούμε κάθε απάντηση με το αργό τυπικό υπολογιστικό μοντέλο,” είπε ο You. “Χρησιμοποιήσαμε την ‘σοφία του πλήθους’ αντ’ αυτού.”

Μετά την επαρκή εκπαίδευση του μοντέλου της μαθηματικής μάθησης, οι βιοϊατρικοί ερευνητές το χρησιμοποίησαν σε ένα βιολογικό κύκλωμα. Χρησιμοποίησαν 100.000 δεδομένα προσομοίωσης για να εκπαιδεύσουν το νευρωνικό δίκτυο. Από όλα αυτά, μόνο ένα παρήγαγε μια βακτηριακή αποικία με τρεις δακτυλίους, αλλά ήταν επίσης σε θέση να पहचρίσουν ορισμένες μεταβλητές που ήταν σημαντικές.

“Το νευρωνικό δίκτυο μπόρεσε να βρει μοτίβα και αλληλεπιδράσεις μεταξύ των μεταβλητών που θα ήταν αλλιώς αδύνατο να ανακαλυφθούν,” είπε ο Wang.

Για να κλείσει την μελέτη, οι ερευνητές το έ-tested σε ένα βιολογικό σύστημα που λειτουργεί τυχαία. Παραδοσιακά, θα έπρεπε να χρησιμοποιήσουν ένα υπολογιστικό μοντέλο που επαναλαμβάνει ορισμένα παραμέτρους πολλές φορές μέχρι να αναγνωρίσει το πιο πιθανό αποτέλεσμα. Το νέο σύστημα μπόρεσε να το κάνει επίσης, και έδειξε ότι μπορεί να εφαρμοστεί σε διάφορα σύνθετα βιολογικά συστήματα.

Οι βιοϊατρικοί ερευνητές έχουν τώρα στρέψει την προσοχή τους σε πιο σύνθετα βιολογικά συστήματα, και εργάζονται για την ανάπτυξη του αλγορίθμου για να γίνει ακόμη πιο αποτελεσματικός.

“Εκπαιδεύσαμε το νευρωνικό δίκτυο με 100.000 δεδομένα, αλλά αυτό μπορεί να ήταν υπερβολικό,” είπε ο Wang. “Επιδίωξη μας είναι να αναπτύξουμε έναν αλγόριθμο όπου το νευρωνικό δίκτυο μπορεί να αλληλεπιδράσει με προσομοίωσεις σε πραγματικό χρόνο για να βοηθήσει στην ταχύτητα.”

“Ο πρώτος μας στόχος ήταν ένα σχετικά απλό σύστημα,” είπε ο You. “Τώρα θέλουμε να βελτιώσουμε αυτά τα νευρωνικά δίκτυα για να παρέχουν ένα παράθυρο στις υποκείμενες δυναμικές πιο σύνθετων βιολογικών κυκλωμάτων.”