Կենսաբժշկական ինժեներները կիրառում են մեքենայական ուսուցումը կենսաբանական սխեմաների վրա

Դյուկի համալսարանի կենսաբժշկական ինժեներներ գտել են մեքենայական ուսուցումն օգտագործելու միջոց՝ մոդելավորելու փոխազդեցությունները, որոնք տեղի են ունենում ինժեներական բակտերիաների բարդ փոփոխականների միջև: Ավանդաբար, այս տեսակի մոդելավորումը դժվար է ավարտվել, բայց այս նոր ալգորիթմները կարող են օգտագործվել բազմաթիվ տարբեր տեսակի կենսաբանական համակարգերում:   

Նոր հետազոտությունը հրապարակվել է ամսագրում Բնություն Communications Սեպտեմբերի 25. 

Կենսաբժշկական հետազոտողները ուսումնասիրել են կենսաբանական մի շղթա, որը ներկառուցված էր բակտերիալ մշակույթի մեջ, և նրանք կարողացան գուշակել շրջանաձև օրինաչափությունները: Մոդելավորման այս նոր եղանակը չափազանց արագ էր, քան ավանդական մեթոդները: Մասնավորապես, այն 30,000 անգամ ավելի արագ էր, քան ներկայիս հաշվողական մոդելը: 

Ավելի ճշգրիտ լինելու համար հետազոտողները մի քանի անգամ վերապատրաստել են մեքենայական ուսուցման մոդելը: Նրանք համեմատեցին պատասխանները և օգտագործեցին այն երկրորդ կենսաբանական համակարգի վրա: Երկրորդ համակարգը հաշվողականորեն տարբերվում էր առաջինից, ուստի ալգորիթմը չէր սահմանափակվում խնդիրների մեկ շարքով: 

Լինգչոնգ Յուն Դյուկի կենսաբժշկական ճարտարագիտության պրոֆեսոր է: 

«Այս աշխատանքը ոգեշնչվել է Google-ից՝ ցույց տալով, որ նեյրոնային ցանցերը կարող են սովորել ծեծել մարդուն Go սեղանի խաղում»: նա ասաց. 

«Չնայած խաղն ունի պարզ կանոններ, համակարգչի համար չափազանց շատ հնարավորություններ կան որոշիչ կերպով հաշվարկելու լավագույն հաջորդ տարբերակը», - ասաց Դուք: «Ես մտածում էի, թե արդյոք նման մոտեցումը կարող է օգտակար լինել մեզ առջև ծառացած կենսաբանական բարդության որոշակի ասպեկտներին դիմակայելու համար»:

Հետազոտության մեջ օգտագործվել են 13 տարբեր բակտերիաների փոփոխականներ, ներառյալ աճի տեմպերը, դիֆուզիոն, սպիտակուցի քայքայումը և բջջային շարժը: Մեկ համակարգչին կպահանջվի առնվազն 600 տարի յուրաքանչյուր պարամետրի համար վեց արժեք հաշվարկելու համար, սակայն մեքենայական ուսուցման նոր համակարգը կարող է այն ավարտել ժամերի ընթացքում: 

«Մոդելը, որը մենք օգտագործում ենք, դանդաղ է, քանի որ այն պետք է հաշվի առնի ժամանակի միջանկյալ քայլերը բավական փոքր արագությամբ, որպեսզի ճշգրիտ լինի», - ասաց Լինգչոնգ Յուն: «Բայց մենք միշտ չէ, որ մտածում ենք միջանկյալ քայլերի մասին: Մենք պարզապես ցանկանում ենք վերջնական արդյունքները որոշակի ծրագրերի համար: Եվ մենք կարող ենք (վերադառնալ) պարզել միջանկյալ քայլերը, եթե վերջնական արդյունքները հետաքրքիր համարենք»:

Հետդոկտոր Շանգինգ Վանգը օգտագործել է խորը նյարդային ցանց, որն ի վիճակի է կանխատեսումներ անել շատ ավելի արագ, քան սկզբնական մոդելը: Ցանցը օգտագործում է մոդելային փոփոխականներ որպես մուտքագրում, և այն նշանակում է պատահական կշիռներ և կողմնակալություններ: Այնուհետև այն կանխատեսում է անում այն ​​օրինակի վերաբերյալ, որին հետևելու է բակտերիաների գաղութը: 

Առաջին արդյունքը ճիշտ չէ, բայց ցանցը փոքր-ինչ փոխում է կշիռներն ու կողմնակալությունները, քանի որ նրան տրվում են վերապատրաստման նոր տվյալներ: Հենց որ լինեն բավարար մարզումների տվյալները, կանխատեսումները կդառնան ավելի ճշգրիտ և կմնան այդպիսին: 

Կային չորս տարբեր նեյրոնային ցանցեր, որոնք վերապատրաստվեցին, և դրանց պատասխանները համեմատվեցին: Հետազոտողները պարզել են, որ ամեն անգամ, երբ նեյրոնային ցանցերը նմանատիպ կանխատեսումներ են անում, նրանք մոտ են եղել ճիշտ պատասխանին: 

«Մենք պարզեցինք, որ պետք չէ յուրաքանչյուր պատասխան հաստատել ավելի դանդաղ ստանդարտ հաշվողական մոդելով», - ասաց Դուն: «Փոխարենը մենք հիմնականում օգտագործեցինք «ամբոխի իմաստությունը»:

Այն բանից հետո, երբ մեքենայական ուսուցման մոդելը բավականաչափ պատրաստված էր, կենսաբժշկական հետազոտողները այն օգտագործեցին կենսաբանական սխեմայի վրա: Կային 100,000 տվյալների սիմուլյացիաներ, որոնք օգտագործվում էին նեյրոնային ցանցը մարզելու համար: Դրանցից միայն մեկն է ստեղծել երեք օղակ ունեցող բակտերիաների գաղութ, սակայն նրանք կարողացել են նաև բացահայտել որոշ կարևոր փոփոխականներ: 

«Նյարդային ցանցը կարողացավ գտնել օրինաչափություններ և փոխազդեցություններ փոփոխականների միջև, որոնք այլ կերպ անհնար կլիներ բացահայտել», - ասաց Վանգը:

Ուսումնասիրությունն ավարտելու համար հետազոտողները փորձարկել են այն կենսաբանական համակարգի վրա, որը գործում է պատահականորեն: Ավանդաբար, նրանք պետք է օգտագործեն համակարգչային մոդել, որը մի քանի անգամ կրկնում է որոշակի պարամետրեր, մինչև այն բացահայտի ամենահավանական արդյունքը: Նոր համակարգը նույնպես կարողացավ դա անել, և ցույց տվեց, որ այն կարող է կիրառվել տարբեր բարդ կենսաբանական համակարգերի վրա: 

Կենսաբժշկական հետազոտողները այժմ դիմել են ավելի բարդ կենսաբանական համակարգերի, և նրանք աշխատում են ալգորիթմի մշակման վրա՝ էլ ավելի արդյունավետ դառնալու համար: 

«Մենք վարժեցրինք նեյրոնային ցանցը 100,000 տվյալների հավաքածուով, բայց դա կարող էր չափազանց մեծ լինել», - ասաց Վանգը: «Մենք մշակում ենք ալգորիթմ, որտեղ նեյրոնային ցանցը կարող է իրական ժամանակում փոխազդել սիմուլյացիաների հետ՝ օգնելով արագացնել իրադարձությունները»:

«Մեր առաջին նպատակը համեմատաբար պարզ համակարգն էր», - ասաց Դուն: «Այժմ մենք ցանկանում ենք բարելավել այս նեյրոնային ցանցային համակարգերը, որպեսզի պատուհան տրամադրենք ավելի բարդ կենսաբանական սխեմաների հիմքում ընկած դինամիկայի համար»: