Ingenieros biomédicos aplican aprendizaje automático a circuitos biológicos

Los ingenieros biomédicos de la Universidad de Duke han descubierto una forma de utilizar el aprendizaje automático para modelar las interacciones que ocurren entre variables complejas en bacterias ingenierizadas. Tradicionalmente, este tipo de modelado ha sido demasiado difícil de completar, pero estos nuevos algoritmos pueden ser utilizados en múltiples sistemas biológicos diferentes.

La nueva investigación se publicó en la revista Nature Communications el 25 de septiembre.

Los investigadores biomédicos examinaron un circuito biológico incrustado en una cultura bacteriana y pudieron predecir patrones circulares. Esta nueva forma de modelado fue extremadamente más rápida que los métodos tradicionales. En específico, fue 30.000 veces más rápida que el modelo computacional actual.

Para ser más precisos, los investigadores volvieron a entrenar el modelo de aprendizaje automático varias veces. Compararon las respuestas y lo utilizaron en un segundo sistema biológico. El segundo sistema era computacionalmente diferente al primero, por lo que el algoritmo no se limitaba a un conjunto de problemas.

Lingchong You es profesora de ingeniería biomédica en Duke.

“Este trabajo fue inspirado por Google, que mostró que las redes neuronales pueden aprender a vencer a un humano en el juego de Go”, dijo ella.

“Aunque el juego tiene reglas simples, hay demasiadas posibilidades para que un computador calcule la mejor opción siguiente de manera determinista”, dijo You. “Me pregunté si tal enfoque podría ser útil para hacer frente a ciertos aspectos de la complejidad biológica que nos enfrentamos”.

El estudio utilizó 13 variables bacterianas diferentes, incluyendo tasas de crecimiento, difusión, degradación de proteínas y movimiento celular. Un solo computador necesitaría al menos 600 años para calcular seis valores por parámetro, pero el nuevo sistema de aprendizaje automático puede completarlo en horas.

“El modelo que utilizamos es lento porque tiene que tener en cuenta los pasos intermedios en el tiempo a una tasa lo suficientemente pequeña como para ser precisa”, dijo Lingchong You. “Pero no siempre nos importan los pasos intermedios. Solo queremos los resultados finales para ciertas aplicaciones. Y podemos volver a figuring out los pasos intermedios si encontramos los resultados finales interesantes”.

El asociado postdoctoral Shangying Wang utilizó una red neuronal profunda que puede hacer predicciones mucho más rápidas que el modelo original. La red utiliza variables del modelo como entrada y asigna pesos y sesgos aleatorios. Luego, hace una predicción sobre el patrón que seguirá la colonia bacteriana.

El primer resultado no es correcto, pero la red cambia ligeramente los pesos y sesgos a medida que recibe nuevos datos de entrenamiento. Una vez que se ha entrenado suficientemente, las predicciones se vuelven más precisas y se mantienen así.

Se entrenaron cuatro redes neuronales diferentes y se compararon sus respuestas. Los investigadores descubrieron que siempre que las redes neuronales hacen predicciones similares, están cerca de la respuesta correcta.

“Descubrimos que no teníamos que validar cada respuesta con el modelo computacional estándar más lento”, dijo You. “En esencia, utilizamos la ‘sabiduría de la multitud’ en su lugar”.

Después de que el modelo de aprendizaje automático se entrenó suficientemente, los investigadores biomédicos lo utilizaron en un circuito biológico. Se utilizaron 100.000 simulaciones de datos para entrenar la red neuronal. De todas ellas, solo una produjo una colonia bacteriana con tres anillos, pero también pudieron identificar ciertas variables que eran importantes.

“La red neuronal pudo encontrar patrones e interacciones entre las variables que habrían sido de otra manera imposibles de descubrir”, dijo Wang.

Para concluir el estudio, los investigadores lo probaron en un sistema biológico que opera aleatoriamente. Tradicionalmente, habrían tenido que utilizar un modelo computacional que repite ciertos parámetros múltiples veces hasta que identifica el resultado más probable. El nuevo sistema pudo hacerlo también y mostró que puede ser aplicado a varios sistemas biológicos complejos diferentes.

Los investigadores biomédicos ahora se han vuelto hacia sistemas biológicos más complejos y están trabajando en desarrollar el algoritmo para que sea aún más eficiente.

“Entrenamos la red neuronal con 100.000 conjuntos de datos, pero eso podría haber sido un exceso”, dijo Wang. “Estamos desarrollando un algoritmo donde la red neuronal puede interactuar con simulaciones en tiempo real para ayudar a acelerar las cosas”.

“Nuestro primer objetivo fue un sistema relativamente simple”, dijo You. “Ahora queremos mejorar estos sistemas de redes neuronales para proporcionar una ventana a la dinámica subyacente de circuitos biológicos más complejos”.