एआई की मूल बातें
जैव चिकित्सा इंजीनियर मशीन लर्निंग को जैविक सर्किट में लागू करते हैं
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
ड्यूक विश्वविद्यालय के जैव चिकित्सा इंजीनियरों ने एक तरीका खोजा है जिससे वे जटिल चरों के बीच होने वाली प्रतिक्रियाओं को मॉडल करने के लिए मशीन लर्निंग का उपयोग कर सकते हैं। परंपरागत रूप से, इस प्रकार के मॉडलिंग को पूरा करना बहुत मुश्किल था, लेकिन इन नए अल्गोरिदम का उपयोग विभिन्न प्रकार के जैविक प्रणालियों में किया जा सकता है।
यह नया शोध 25 सितंबर को नेचर कम्युनिकेशंस पत्रिका में प्रकाशित हुआ था।
जैव चिकित्सा शोधकर्ताओं ने एक जैविक सर्किट को देखा जो एक जीवाणु संस्कृति में एम्बेडेड था, और वे चक्रीय पैटर्न की भविष्यवाणी करने में सक्षम थे। यह नया मॉडलिंग तरीका पारंपरिक तरीकों से बहुत तेज था। विशेष रूप से, यह वर्तमान कम्प्यूटेशनल मॉडल से 30,000 गुना तेज था।
सटीकता बढ़ाने के लिए, शोधकर्ताओं ने मशीन लर्निंग मॉडल को कई बार पुनः प्रशिक्षित किया। उन्होंने उत्तरों की तुलना की और इसे दूसरी जैविक प्रणाली पर लागू किया। दूसरी प्रणाली पहली से कम्प्यूटेशनल रूप से अलग थी, इसलिए अल्गोरिदम एक ही सेट समस्याओं तक सीमित नहीं था।
लिंगचोंग यू ड्यूक में जैव चिकित्सा इंजीनियरिंग के प्रोफेसर हैं।
“यह काम गूगल द्वारा दिखाए जाने से प्रेरित था कि न्यूरल नेटवर्क एक मानव को बोर्ड गेम गो में हरा सकता है,” उन्होंने कहा।
(GOOGL )“हालांकि खेल के सरल नियम हैं, संभावनाओं की संख्या इतनी अधिक है कि एक कंप्यूटर निर्धारित रूप से सबसे अच्छा अगला विकल्प की गणना नहीं कर सकता,” यू ने कहा। “मुझे आश्चर्य हुआ कि क्या इस दृष्टिकोण का उपयोग जैविक जटिलता के कुछ पहलुओं से निपटने में मददगार हो सकता है।”
अध्ययन में 13 अलग-अलग जीवाणु चरों का उपयोग किया गया था, जिनमें वृद्धि दर, प्रसार, प्रोटीन अपक्षय और कोशिकीय गति शामिल थे। एक एकल कंप्यूटर को कम से कम 600 वर्षों की आवश्यकता होगी để प्रति पैरामीटर छह मानों की गणना करने के लिए, लेकिन नया मशीन लर्निंग सिस्टम इसे कुछ घंटों में पूरा कर सकता है।
“हमारा मॉडल धीमा है क्योंकि यह समय में मध्यवर्ती चरणों को एक छोटे से दर पर लेने के लिए मजबूर होता है ताकि यह सटीक हो,” लिंगचोंग यू ने कहा। “लेकिन हमें हमेशा मध्यवर्ती चरणों की परवाह नहीं होती। हम केवल कुछ अनुप्रयोगों के लिए अंतिम परिणाम चाहते हैं। और हम मध्यवर्ती चरणों को वापस जाकर देख सकते हैं अगर हम अंतिम परिणामों को दिलचस्प पाते हैं।”
पोस्टडॉक्टरल एसोसिएट शांगयिंग वांग ने एक गहरे न्यूरल नेटवर्क का उपयोग किया जो मूल मॉडल की तुलना में बहुत तेजी से भविष्यवाणी कर सकता है। नेटवर्क मॉडल चरों को इनपुट के रूप में उपयोग करता है, और यह यादृच्छिक भार और पूर्वाग्रह निर्दिष्ट करता है। फिर, यह जीवाणु उपनिवेश के अनुसरण करने वाले पैटर्न के बारे में एक भविष्यवाणी करता है।
पहला परिणाम सही नहीं है, लेकिन नेटवर्क नए प्रशिक्षण डेटा प्राप्त होने पर थोड़ा भार और पूर्वाग्रह बदल देता है। एक बार पर्याप्त प्रशिक्षण डेटा हो जाने के बाद, भविष्यवाणियां अधिक सटीक हो जाती हैं और ऐसी ही रहती हैं।
चार अलग-अलग न्यूरल नेटवर्क प्रशिक्षित किए गए थे, और उनके उत्तरों की तुलना की गई। शोधकर्ताओं ने पाया कि जब न्यूरल नेटवर्क समान भविष्यवाणियां करते हैं, तो वे सही उत्तर के करीब होते हैं।
“हमें हर उत्तर को धीमी मानक कम्प्यूटेशनल मॉडल के साथ सत्यापित करने की आवश्यकता नहीं थी,” यू ने कहा। “हमने मूल रूप से ‘भीड़ की बुद्धिमत्ता’ का उपयोग किया।”
मशीन लर्निंग मॉडल को पर्याप्त रूप से प्रशिक्षित करने के बाद, जैव चिकित्सा शोधकर्ताओं ने इसे एक जैविक सर्किट पर लागू किया। 100,000 डेटा सिमुलेशन का उपयोग न्यूरल नेटवर्क को प्रशिक्षित करने के लिए किया गया था। उनमें से, केवल एक ने तीन रिंगों वाला जीवाणु उपनिवेश उत्पादित किया, लेकिन वे कुछ महत्वपूर्ण चरों की पहचान करने में भी सक्षम थे।
“न्यूरल नेटवर्क चरों के बीच पैटर्न और परस्पर क्रिया को खोजने में सक्षम था जो अन्यथा असंभव होता,” वांग ने कहा।
अध्ययन को समाप्त करने के लिए, शोधकर्ताओं ने इसे एक जैविक प्रणाली पर परीक्षण किया जो यादृच्छिक रूप से संचालित होती है। परंपरागत रूप से, उन्हें एक कंप्यूटर मॉडल का उपयोग करना पड़ता जो कुछ पैरामीटरों को बार-बार दोहराता है जब तक कि यह सबसे संभावित परिणाम की पहचान नहीं कर लेता। नया सिस्टम इसे भी कर सकता था, और यह दिखाया कि यह विभिन्न जटिल जैविक प्रणालियों पर लागू किया जा सकता है।
जैव चिकित्सा शोधकर्ताओं ने अब अधिक जटिल जैविक प्रणालियों पर काम करना शुरू कर दिया है, और वे अल्गोरिदम को और अधिक कुशल बनाने पर काम कर रहे हैं।
“हमने न्यूरल नेटवर्क को 100,000 डेटा सेट के साथ प्रशिक्षित किया, लेकिन यह शायद जरूरत से ज्यादा था,” वांग ने कहा। “हम एक अल्गोरिदम विकसित कर रहे हैं जहां न्यूरल नेटवर्क वास्तविक समय में सिमुलेशन के साथ बातचीत कर सकता है ताकि चीजों को तेजी से करने में मदद मिल सके।”
“हमारा पहला लक्ष्य एक अपेक्षाकृत सरल प्रणाली थी,” यू ने कहा। “अब हम इन न्यूरल नेटवर्क प्रणालियों को बेहतर बनाना चाहते हैं ताकि वे अधिक जटिल जैविक सर्किट के अंतर्निहित गतिविधियों में एक खिड़की प्रदान कर सकें।”
