Les ingénieurs biomédicaux appliquent l’apprentissage automatique aux circuits biologiques

Les ingénieurs biomédicaux de l’Université Duke ont trouvé un moyen d’utiliser l’apprentissage automatique pour modéliser les interactions qui se produisent entre des variables complexes dans des bactéries génétiquement modifiées. Traditionnellement, ce type de modélisation était trop difficile à réaliser, mais ces nouveaux algorithmes peuvent être utilisés dans différents types de systèmes biologiques.

La nouvelle recherche a été publiée dans la revue Nature Communications le 25 septembre.

Les chercheurs biomédicaux ont examiné un circuit biologique intégré dans une culture bactérienne et ont pu prédire des motifs circulaires. Cette nouvelle méthode de modélisation était extrêmement plus rapide que les méthodes traditionnelles. Plus précisément, elle était 30 000 fois plus rapide que le modèle computationnel actuel.

Pour être plus précis, les chercheurs ont ensuite réentraîné le modèle d’apprentissage automatique plusieurs fois. Ils ont comparé les réponses et l’ont appliqué à un second système biologique. Le second système était computationnellement différent du premier, donc l’algorithme n’était pas limité à un seul ensemble de problèmes.

Lingchong You est professeur d’ingénierie biomédicale à Duke.

“Ce travail a été inspiré par Google (GOOGL ), qui a montré que les réseaux de neurones pouvaient apprendre à battre un humain au jeu de Go”, a-t-elle déclaré.

“Même si le jeu a des règles simples, il y a trop de possibilités pour qu’un ordinateur calcule la meilleure option suivante de manière déterministe”, a déclaré You. “Je me suis demandé si une telle approche pourrait être utile pour faire face à certaines aspects de la complexité biologique qui nous confronte.”

L’étude a utilisé 13 variables bactériennes différentes, notamment les taux de croissance, la diffusion, la dégradation des protéines et le mouvement cellulaire. Un seul ordinateur aurait besoin d’au moins 600 ans pour calculer six valeurs par paramètre, mais le nouveau système d’apprentissage automatique peut le faire en quelques heures.

“Le modèle que nous utilisons est lent car il doit prendre en compte les étapes intermédiaires dans le temps à un taux suffisamment petit pour être précis”, a déclaré Lingchong You. “Mais nous ne nous soucions pas toujours des étapes intermédiaires. Nous voulons seulement les résultats finaux pour certaines applications. Et nous pouvons revenir en arrière pour déterminer les étapes intermédiaires si nous trouvons les résultats finaux intéressants.”

Le chercheur postdoctoral Shangying Wang a utilisé un réseau de neurones profond capable de faire des prédictions beaucoup plus rapides que le modèle original. Le réseau utilise des variables de modèle comme entrée et attribue des poids et des biais aléatoires. Ensuite, il fait une prédiction concernant le motif que la colonie bactérienne suivra.

Le premier résultat n’est pas correct, mais le réseau modifie légèrement les poids et les biais lorsqu’il reçoit de nouvelles données d’entraînement. Une fois qu’il y a suffisamment de données d’entraînement, les prédictions deviennent plus précises et restent ainsi.

Quatre réseaux de neurones différents ont été formés et leurs réponses ont été comparées. Les chercheurs ont découvert que lorsque les réseaux de neurones font des prédictions similaires, elles sont proches de la bonne réponse.

“Nous avons découvert que nous n’avions pas besoin de valider chaque réponse avec le modèle computationnel standard plus lent”, a déclaré You. “Nous avons essentiellement utilisé la ‘sagesse de la foule’ à la place.”

Une fois le modèle d’apprentissage automatique suffisamment formé, les chercheurs biomédicaux l’ont utilisé sur un circuit biologique. Ils ont utilisé 100 000 simulations de données pour former le réseau de neurones. Sur toutes ces simulations, seule une a produit une colonie bactérienne avec trois anneaux, mais ils ont également pu identifier certaines variables importantes.

“Le réseau de neurones a pu trouver des motifs et des interactions entre les variables qui auraient été impossibles à découvrir autrement”, a déclaré Wang.

Pour conclure l’étude, les chercheurs l’ont testée sur un système biologique qui fonctionne de manière aléatoire. Traditionnellement, ils auraient dû utiliser un modèle informatique qui répète certains paramètres plusieurs fois jusqu’à ce qu’il identifie le résultat le plus probable. Le nouveau système a pu le faire également et a montré qu’il peut être appliqué à différents systèmes biologiques complexes.

Les chercheurs biomédicaux se sont maintenant tournés vers des systèmes biologiques plus complexes et travaillent sur le développement de l’algorithme pour le rendre encore plus efficace.

“Nous avons formé le réseau de neurones avec 100 000 ensembles de données, mais cela a peut-être été excessif”, a déclaré Wang. “Nous développons un algorithme où le réseau de neurones peut interagir avec des simulations en temps réel pour aider à accélérer les choses.”

“Notre premier objectif était un système relativement simple”, a déclaré You. “Maintenant, nous voulons améliorer ces systèmes de réseaux de neurones pour fournir une fenêtre sur la dynamique sous-jacente de circuits biologiques plus complexes.”