Tutkijat käyttävät tekoälyä saadakseen syvemmän käsityksen solujen kasvusta 

Tokion yliopiston teollisuustieteen instituutin tutkijaryhmä on suunnitellut uuden koneoppimisalgoritmin, joka pystyy ennustamaan yksittäisen solun koon sen kasvaessa ja jakautuessa. 

Ryhmän keinotekoisen hermoverkon avulla tietokone voi tehdä tarkempia ennusteita verrattuna menetelmiin, jotka perustuvat yksinomaan biologian yleisiin oletuksiin. Ryhmän mukaan uudet kehityssuunnat voisivat edistää kvantitatiivisen biologian alaa ja parantaa lääkkeiden teollista tuotantoa. 

Biologian ala

Biologian ala, kuten kaikki luonnontieteet, nojaa matemaattisiin malleihin, jotka ennustavat tulevaisuutta datan perusteella. Koska elävät järjestelmät ja biologiset elämänmuodot ovat erittäin monimutkaisia, näihin yhtälöihin ei aina voida täysin luottaa. He luottavat usein yksinkertaistaviin oletuksiin, jotka eivät välttämättä heijasta todellisia biologisia prosesseja. 

Tämän vuoksi tutkijaryhmä siirtyi uuteen koneoppimisalgoritmiin, joka voi käyttää yksittäisten solujen mitattua kokoa ajan mittaan ennustaakseen niiden tulevaa kokoa. Yksi tietokonejärjestelmän suurimmista eduista on, että se tunnistaa automaattisesti datassa olevat kuviot, mikä tarkoittaa, että sitä ei ole rajoitettu kuten muita tavanomaisia ​​menetelmiä.

Atsushi Kamimura on sen ensimmäinen kirjoittaja tutkimus paperi. 

"Biologiassa käytetään usein yksinkertaisia ​​malleja, jotka perustuvat niiden kykyyn toistaa mitattuja tietoja", Kamimura sanoo. "Mallit saattavat kuitenkin epäonnistua ymmärtämään, mitä todella tapahtuu ihmisten ennakkokäsitysten vuoksi."

Tietojen kerääminen

Tutkimus perustui joko Escherichia coli -bakteerista tai Schizosaccha-romyces pombe -hiivasolusta kerättyihin tietoihin, joita pidettiin mikrofluidikanavassa vaihtelevissa lämpötiloissa. 

Se havaitsi, että tontin koko näytti "sahahampaalta", koska eksponentiaalinen kasvu keskeytettiin jakautumistapahtumien vuoksi. Perinteisesti ihmisbiologit luottavat "koon"-malliin, joka perustuu solun absoluuttiseen kokoon, tai "lisääjä"-malliin, joka perustuu koon kasvuun syntymästä lähtien. He käyttävät näitä malleja ennustaakseen, milloin jakautuminen tapahtuu.

Vaikka tietokoneohjelma osoitti, että "lisääjä"-periaate on tehokas, se havaitsi sen olevan osa suurempaa ja monimutkaisempaa biokemiallisten reaktioiden ja signaalin järjestelmää. 

Tetsuya Kobayashi on paperin vanhempi kirjoittaja.

"Syväoppiva hermoverkkomme voi tehokkaasti erottaa historiasta riippuvat deterministiset tekijät tietyn datan kohinoista", Kobayashi sanoo.

Tiimi sanoo, että tätä menetelmää voitaisiin käyttää muilla biologian aloilla, ei vain solukoon ennustamiseen. Life science luottaa yhä enemmän tekoälyyn ihmismallien sijaan, ja tekoäly pystyy löytämään uusia ja tehokkaita tapoja hallita mikro-organismeja, millä on suuri vaikutus tuotteiden fermentointiin ja lääkkeiden tuotantoon.