Tutkijat käyttävät tekoälyä saadakseen syvemmän ymmärryksen solujen kasvusta

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

Tutkijaryhmän tekoälyverkko mahdollistaa tietokoneen tekemän tarkemmat ennusteet verrattuna menetelmiin, jotka perustuvat biologian yleisiin oletuksiin. Tutkijaryhmän mukaan uudet kehitysaskeleet voivat auttaa edistämään määrällisen biologian alaa ja parantamaan lääkevalmistuksen teollista tuotantoa.

Biologian ala

Biologian ala, kuten kaikki luonnontieteet, perustuu matemaattisiin malleihin, jotka tekevät ennusteita tulevaisuudesta perustuen tietoihin. Koska elävät järjestelmät ja biologiset elämänmuodot ovat erittäin monimutkaisia, nämä yhtälöt eivät aina voi olla täysin luotettavia. Ne usein perustuvat yksinkertaistaviin oletuksiin, jotka eivät välttämättä heijasta todellisia biologisia prosesseja.

Tämän vuoksi tutkijaryhmä kääntyi uuden koneoppimisalgoritmin puoleen, joka voi käyttää yksittäisten solujen mitattua kokoa ajan myötä ennustamaan niiden tulevan koon. Yksi tietokonejärjestelmän parhaista ominaisuuksista on, että se tunnistaa automaattisesti datassa olevat mallit, mikä tarkoittaa, että se ei ole rajoitettu kuten perinteiset menetelmät.

Atsushi Kamimura on tutkimusartikkelin ensimmäinen tekijä.

“Biologiassa yksinkertaisia malleja käytetään usein niiden kyvyn perusteella toistaa mitattuja tietoja”, Kamimura sanoo. “Kuitenkin mallit voivat epäonnistua kaapanneista, mitä todella tapahtuu, johtuen ihmisten ennakko-oletuksista.”

Datankerääminen

Tutkimus perustui tietoihin, jotka kerättiin joko Escherichia coli -bakteerista tai Schizosaccharomyces pombe -hiivasta, jotka pidettiin mikrofluidisessa kanavassa, jossa lämpötila vaihteli.

Se osoitti, että kuvauskoosta näkyi “sahanterä” eksponentiaalisen kasvun keskeytyessä jakautumistapahtumissa. Perinteisesti ihmisbiologit luottavat “koon” malliin, joka perustuu solun absoluuttiseen kokoon, tai “lisääjä” malliin, joka perustuu koon lisääntymiseen syntymästä lähtien. He käyttävät näitä malleja ennustamaan, milloin jakautumiset tapahtuvat.

Vaikka tietokoneohjelma osoitti, että “lisääjä” periaate on tehokas, se osoitti sen olevan osa laajempaa ja monimutkaisempaa biokemiallisten reaktioiden ja signaaleiden järjestelmää.

Tetsuya Kobayashi on artikkelin vanhempi tekijä.

“Meidän syväoppimisverkkomalli voi tehokkaasti erottaa historiaan perustuvat deterministiset tekijät melusta annetuissa tiedoissa”, Kobayashi sanoo.

Tutkijaryhmä sanoo, että tämä menetelmä voisi olla käytössä myös biologian muilla aloilla, ei ainoastaan solukoon ennustamiseen. Elämän tieteet tulevat yhä enemmän riippumaan tekoälystä ihmismallien sijaan, ja tekoäly pystyy löytämään uusia ja tehokkaita tapoja hallita mikro-organismeja, mikä vaikuttaa suuresti siihen, miten fermentoimme tuotteita ja valmistamme lääkkeitä.