Gli ingegneri biomedici applicano il machine learning ai circuiti biologici

Gli ingegneri biomedici dell’Università di Duke hanno scoperto un modo per utilizzare il machine learning per modellare le interazioni che si verificano tra variabili complesse in batteri ingegnerizzati. Tradizionalmente, questo tipo di modellazione è stato troppo difficile da completare, ma questi nuovi algoritmi possono essere utilizzati all’interno di diversi tipi di sistemi biologici.

La nuova ricerca è stata pubblicata sulla rivista Nature Communications il 25 settembre.

I ricercatori biomedici hanno esaminato un circuito biologico incorporato in una coltura batterica e sono stati in grado di prevedere modelli circolari. Questo nuovo metodo di modellazione è stato estremamente più veloce dei metodi tradizionali. In particolare, è stato 30.000 volte più veloce del modello computazionale attuale.

Per essere più precisi, i ricercatori hanno ritrattato il modello di machine learning più volte. Hanno confrontato le risposte e lo hanno utilizzato su un secondo sistema biologico. Il secondo sistema era computazionalmente diverso dal primo, quindi l’algoritmo non era limitato a un set di problemi.

Lingchong You è professore di ingegneria biomedica alla Duke.

“Questo lavoro è stato ispirato da Google (GOOGL ), che ha dimostrato che le reti neurali possono imparare a battere un essere umano nel gioco del Go”, ha detto.

“Anche se il gioco ha regole semplici, ci sono troppe possibilità perché un computer possa calcolare la migliore opzione successiva in modo deterministico”, ha detto You. “Mi sono chiesto se un approccio del genere potesse essere utile per affrontare certi aspetti della complessità biologica che ci si presenta.”

Lo studio ha utilizzato 13 diverse variabili batteriche, tra cui tassi di crescita, diffusione, degradazione proteica e movimento cellulare. Un singolo computer avrebbe avuto bisogno di almeno 600 anni per calcolare sei valori per parametro, ma il nuovo sistema di machine learning può completarlo in poche ore.

“Il modello che utilizziamo è lento perché deve tenere conto dei passaggi intermedi nel tempo a un tasso sufficientemente piccolo per essere preciso”, ha detto Lingchong You. “Ma non ci interessano sempre i passaggi intermedi. Ci interessa solo il risultato finale per certe applicazioni. E possiamo tornare a scoprire i passaggi intermedi se troviamo il risultato finale interessante.”

Il ricercatore post-dottorato Shangying Wang ha utilizzato una rete neurale profonda in grado di effettuare previsioni molto più veloci del modello originale. La rete utilizza le variabili del modello come input e assegna pesi e bias casuali. Quindi, effettua una previsione sul modello che la colonia batterica seguirà.

Il primo risultato non è corretto, ma la rete modifica leggermente i pesi e i bias mentre riceve nuovi dati di addestramento. Una volta che ci sono stati sufficienti dati di addestramento, le previsioni diventano più accurate e rimangono tali.

Sono state addestrate quattro diverse reti neurali e le loro risposte sono state confrontate. I ricercatori hanno scoperto che quando le reti neurali fanno previsioni simili, sono vicine alla risposta corretta.

“Abbiamo scoperto che non dovevamo convalidare ogni risposta con il modello computazionale standard più lento”, ha detto You. “Abbiamo utilizzato essenzialmente la ‘saggezza della folla’ al suo posto.”

Dopo che il modello di machine learning era stato sufficientemente addestrato, i ricercatori biomedici lo hanno utilizzato su un circuito biologico. Sono stati utilizzati 100.000 simulazioni di dati per addestrare la rete neurale. Tra tutti questi, solo uno ha prodotto una colonia batterica con tre anelli, ma sono anche riusciti a identificare alcune variabili importanti.

“La rete neurale è stata in grado di trovare modelli e interazioni tra le variabili che sarebbero stati altrimenti impossibili da scoprire”, ha detto Wang.

Per concludere lo studio, i ricercatori lo hanno testato su un sistema biologico che opera casualmente. Tradizionalmente, avrebbero dovuto utilizzare un modello computerizzato che ripete certi parametri più volte fino a quando non identifica il risultato più probabile. Il nuovo sistema è stato in grado di farlo e ha dimostrato che può essere applicato a vari sistemi biologici complessi.

I ricercatori biomedici si sono ora rivolti a sistemi biologici più complessi e stanno lavorando per sviluppare l’algoritmo per renderlo ancora più efficiente.

“Abbiamo addestrato la rete neurale con 100.000 set di dati, ma potrebbe essere stato eccessivo”, ha detto Wang. “Stiamo sviluppando un algoritmo in cui la rete neurale può interagire con le simulazioni in tempo reale per aiutare ad accelerare le cose.”

“Il nostro primo obiettivo era un sistema relativamente semplice”, ha detto You. “Ora vogliamo migliorare questi sistemi di reti neurali per fornire una finestra sulle dinamiche sottostanti di circuiti biologici più complessi.”