Biolääketieteelliset insinöörit soveltavat koneoppimista biologisiin piireihin

Biolääketieteelliset insinöörit Duke Universityssa ovat keksineet tavan käyttää koneoppimista mallintamaan vuorovaikutuksia, jotka tapahtuvat monimutkaisten muuttujien välillä suunnitelluissa bakteereissa. Perinteisesti tämänkaltaisen mallinnuksen on ollut hyvin vaikea suorittaa, mutta nämä uudet algoritmit voidaan käyttää useissa erilaisissa biologisissa järjestelmissä.

Uusi tutkimus julkaistiin Nature Communications -lehdessä 25. syyskuuta.

Biolääketieteelliset tutkijat tarkastelivat biologista piiriä, joka oli upotettu bakteerikulttuuriin, ja he pystyivät ennustamaan sirkulaarisia kuvioita. Tämä uusi mallinnusmenetelmä oli erittäin nopeampi kuin perinteiset menetelmät. Erityisesti se oli 30 000 kertaa nopeampi kuin nykyinen laskennallinen malli.

Tarkkuuden parantamiseksi tutkijat kouluttivat koneoppimismallin useita kertoja uudelleen. He vertailivat vastauksia ja käyttivät sitä toisessa biologisessa järjestelmässä. Toinen järjestelmä oli laskennallisesti erilainen kuin ensimmäinen, joten algoritmi ei ollut rajoitettu yhteen ongelman joukkoon.

Lingchong You on biolääketieteellisen insinöörityön professori Duke Universityssa.

“Tämä työ sai inspiraationsa Googlelta, joka osoitti, että neuroniverkot voivat oppia voittamaan ihmisen Go-pelissä”, hän sanoi.

“Vaikka pelillä on yksinkertaiset säännöt, on liian monia mahdollisuuksia, jotta tietokone voisi laskea parhaan seuraavan vaihtoehdon deterministisesti”, You sanoi. “Minun ihmettelin, voitaisiinko tällaista lähestymistapaa soveltaa joihinkin biologisen monimuotoisuuden osa-alueisiin, joita meidän on vastattava.”

Tutkimuksessa käytettiin 13 erilaista bakteerimuuttujaa, mukaan lukien kasvunopeus, diffuusio, proteiinien hajoaminen ja solujen liike. Yksittäinen tietokone tarvitsisi vähintään 600 vuotta laskea kuusi arvoa kunkin parametrin osalta, mutta uusi koneoppimisjärjestelmä voi suorittaa sen muutamassa tunnissa.

“Malli, jota käytämme, on hidas, koska se on otettava huomioon välimuodot ajan suhteen riittävän pienessä suhteessa ollakseen tarkin”, Lingchong You sanoi. “Mutta me emme aina välitä välimuodoista. Me vain haluamme lopputulokset tiettyjen sovellusten osalta. Ja me voimme (palata) selvittämään välimuodot, jos lopputulokset ovat mielenkiintoisia.”

Postdoc-tutkija Shangying Wang käytti syvää neuroniverkkoa, joka pystyy tekemään ennusteita paljon nopeammin kuin alkuperäinen malli. Verkko käyttää mallin muuttujia syötteenä ja määrittää satunnaiset painot ja harhat. Sitten se tekee ennusteen siitä, minkälaista kuviota bakteerikolonia seuraa.

Ensimmäinen tulos ei ole oikein, mutta verkko muuttaa hieman painoja ja harhoja, kun sille annetaan uutta koulutusdataa. Kun on ollut tarpeeksi koulutusdataa, ennusteet tulevat tarkemmiksi ja pysyvät sellaisina.

Koulutettiin neljä erilaista neuroniverkkoa, ja niiden vastauksia verrattiin. Tutkijat totesivat, että kun neuroniverkot tekevät samanlaisia ennusteita, ne ovat lähellä oikeaa vastausta.

“Huomasimme, ettei tarvinnut vahvistaa kunkin vastausta hitaammalla peruslaskennallisella mallilla”, You sanoi. “Käytimme sen sijaan ‘joukon viisautta’.”

Kun koneoppimismalli oli koulutettu riittävästi, biolääketieteelliset tutkijat käyttivät sitä biologisessa piirissä. He käyttivät 100 000 simulaatiota kouluttamaan neuroniverkkoa. Niistä vain yksi tuotti bakteerikolonin, jossa oli kolme rengasta, mutta he pystyivät myös tunnistamaan tiettyjä muuttujia, jotka olivat tärkeitä.

“Neuroniverkko pystyi löytämään kuvioita ja vuorovaikutuksia muuttujien välillä, jotka olisivat muuten olleet mahdottomia löytää”, Wang sanoi.

Tutkimuksen lopussa tutkijat testasivat sitä biologisessa järjestelmässä, joka toimii satunnaisesti. Perinteisesti heidän olisi pitänyt käyttää tietokonemallia, joka toistaa tiettyjä parametreja useita kertoja, kunnes se tunnistaa todennäköisimmän lopputuloksen. Uusi järjestelmä pystyi tekemään saman, ja se osoitti, että sitä voidaan soveltaa moniin erilaisiin monimutkaisiin biologisiin järjestelmiin.

Biolääketieteelliset tutkijat ovat nyt siirtyneet monimutkaisempiin biologisiin järjestelmiin, ja he työskentelevät algoritmin kehittämiseksi entistä tehokkaammaksi.

“Koulutimme neuroniverkon 100 000 datan avulla, mutta se saattoi olla ylityö”, Wang sanoi. “Me kehitämme algoritmiä, jossa neuroniverkko voi vuorovaikuttaa simulaatioiden kanssa reaaliajassa, jotta asiat nopeutuvat.”

“Ensimmäinen tavoitteemme oli suhteellisen yksinkertainen järjestelmä”, You sanoi. “Nyt haluamme parantaa näitä neuroniverkkojärjestelmiä, jotta ne antavat ikkunan alla oleviin dynamiikkaan monimutkaisemmissa biologisissa piireissä.”