Insinyur Biomedis Menggunakan Pembelajaran Mesin untuk Sirkuit Biologis

Insinyur biomedis di Universitas Duke telah menemukan cara untuk menggunakan pembelajaran mesin untuk memodelkan interaksi yang terjadi antara variabel kompleks dalam bakteri yang direkayasa. Secara tradisional, jenis pemodelan ini sangat sulit untuk diselesaikan, tetapi algoritma baru ini dapat digunakan dalam berbagai sistem biologis yang berbeda.

Penelitian baru ini diterbitkan dalam jurnal Nature Communications pada tanggal 25 September.

Peneliti biomedis mempelajari sirkuit biologis yang tertanam dalam budaya bakteri dan dapat memprediksi pola melingkar. Cara pemodelan baru ini sangat lebih cepat daripada metode tradisional. Secara khusus, ini 30.000 kali lebih cepat daripada model komputasi saat ini.

Untuk meningkatkan akurasi, peneliti kemudian melatih kembali model pembelajaran mesin beberapa kali. Mereka membandingkan jawaban dan menggunakannya pada sistem biologis kedua. Sistem kedua ini secara komputasi berbeda dari yang pertama, sehingga algoritma tidak terbatas pada satu set masalah.

Lingchong You adalah profesor teknik biomedis di Duke.

“Karya ini terinspirasi oleh Google (GOOGL ) yang menunjukkan bahwa jaringan saraf dapat belajar untuk mengalahkan manusia dalam permainan Go,” katanya.

“Meskipun permainan ini memiliki aturan sederhana, ada kemungkinan yang terlalu banyak bagi komputer untuk menghitung pilihan berikutnya secara deterministik,” kata You. “Saya bertanya-tanya apakah pendekatan seperti ini dapat berguna dalam mengatasi beberapa aspek kompleksitas biologis yang kita hadapi.”

Studi ini menggunakan 13 variabel bakteri yang berbeda, termasuk laju pertumbuhan, difusi, degradasi protein, dan gerakan seluler. Satu komputer akan membutuhkan setidaknya 600 tahun untuk menghitung enam nilai per parameter, tetapi sistem pembelajaran mesin baru dapat menyelesaikannya dalam beberapa jam.

“Model yang kami gunakan lambat karena harus mempertimbangkan langkah-langkah antara dalam waktu dengan tingkat yang cukup kecil untuk akurat,” kata Lingchong You. “Tapi kami tidak selalu peduli dengan langkah-langkah antara. Kami hanya ingin hasil akhir untuk aplikasi tertentu. Dan kami dapat (kembali) menemukan langkah-langkah antara jika kami menemukan hasil akhir yang menarik.”

Asosiasi pasca-doktor Shangying Wang menggunakan jaringan saraf dalam yang dapat membuat prediksi jauh lebih cepat daripada model asli. Jaringan ini menggunakan variabel model sebagai input, dan mengassign bobot dan bias acak. Kemudian, membuat prediksi tentang pola yang akan diikuti oleh koloni bakteri.

Hasil pertama tidak akurat, tetapi jaringan sedikit mengubah bobot dan bias saat diberikan data pelatihan baru. Setelah cukup data pelatihan, prediksi akan menjadi lebih akurat dan tetap seperti itu.

Ada empat jaringan saraf yang dilatih, dan jawabannya dibandingkan. Peneliti menemukan bahwa setiap kali jaringan saraf membuat prediksi yang sama, mereka dekat dengan jawaban yang benar.

“Kami menemukan bahwa kami tidak perlu memvalidasi setiap jawaban dengan model komputasi standar yang lebih lambat,” kata You. “Kami pada dasarnya menggunakan ‘kebijaksanaan kerumunan’ sebagai gantinya.”

Setelah model pembelajaran mesin cukup dilatih, peneliti biomedis menggunakannya pada sirkuit biologis. Mereka menggunakan 100.000 simulasi data untuk melatih jaringan saraf. Dari semua itu, hanya satu yang menghasilkan koloni bakteri dengan tiga cincin, tetapi mereka juga dapat mengidentifikasi variabel-variabel yang penting.

“Jaringan saraf dapat menemukan pola dan interaksi antara variabel yang tidak mungkin ditemukan secara lain,” kata Wang.

Untuk menyelesaikan studi, peneliti mengujinya pada sistem biologis yang beroperasi secara acak. Secara tradisional, mereka harus menggunakan model komputer yang mengulangi parameter tertentu beberapa kali sampai menemukan hasil yang paling mungkin. Sistem baru ini dapat melakukan hal ini juga, dan menunjukkan bahwa dapat diterapkan pada berbagai sistem biologis yang kompleks.

Peneliti biomedis sekarang beralih ke sistem biologis yang lebih kompleks, dan mereka bekerja pada pengembangan algoritma untuk menjadi lebih efisien.

“Kami melatih jaringan saraf dengan 100.000 set data, tetapi itu mungkin berlebihan,” kata Wang. “Kami sedang mengembangkan algoritma di mana jaringan saraf dapat berinteraksi dengan simulasi secara waktu nyata untuk membantu mempercepat proses.”

“Tujuan pertama kami adalah sistem yang relatif sederhana,” kata You. “Sekarang kami ingin meningkatkan sistem jaringan saraf ini untuk memberikan wawasan tentang dinamika yang mendasari sirkuit biologis yang lebih kompleks.”