生物医学エンジニアが機械学習を生物回路に適用する

デューク大学の生物医学エンジニアは、機械学習を使用して、設計された細菌の中で複雑な変数間の相互作用をモデル化する方法を発見しました。伝統的に、このタイプのモデル化は非常に難しいものでしたが、これらの新しいアルゴリズムは、さまざまな生物システムで使用できます。

新しい研究は、9月25日にネイチャー・コミュニケーションズに掲載されました。

生物医学研究者は、細菌培養に組み込まれた生物回路を調査し、円形パターンを予測することができました。この新しいモデル化方法は、従来の方法よりも非常に高速でした。具体的には、現在の計算モデルよりも30,000倍高速でした。

より正確な結果を得るために、研究者は機械学習モデルを複数回再トレーニングしました。回答を比較し、2番目の生物システムで使用しました。2番目のシステムは、最初のシステムとは計算的に異なっていたため、アルゴリズムは1つの問題セットに限定されませんでした。

リンチョン・ユーはデューク大学の生物医学工学教授です。

「この研究は、Googleがニューラルネットワークを使用してボードゲームのGoで人間に勝つことを示したことにインスパイアされました」と彼女は述べました。

「ゲームには単純なルールがありますが、コンピューターが次の最善の選択肢を決定的に計算するには、可能性があまりにも多すぎます」とユーは述べました。「私は、ニューラルネットワークが生物学的複雑さに対処するのに役立つかもしれないと思いました」

この研究では、13の異なる細菌変数、たとえば成長率、拡散、タンパク質分解、細胞運動が使用されました。単一のコンピューターでは、少なくとも600年かかりますが、新しい機械学習システムでは数時間で計算できます。

「私たちが使用するモデルは、正確性を保つために、十分な小さな時間ステップで中間ステップを考慮する必要があるため、遅いです」とリンチョン・ユーは述べました。「しかし、常に中間ステップが必要なわけではありません。私たちが気にしているのは、特定のアプリケーションの結果だけです。結果が面白い場合、後で中間ステップを調べることができます」

ポスドク研究員のシャンイン・ワンは、予測をより迅速に行うことができる深層ニューラルネットワークを使用しました。ネットワークはモデル変数を入力として使用し、ランダムな重みとバイアスを割り当てます。次に、細菌コロニーのパターンについて予測を行います。

最初の結果は正しくありませんが、ネットワークは新しいトレーニングデータが与えられると、重みとバイアスをわずかに変更します。十分なトレーニングデータが得られると、予測はより正確になり、安定します。

4つの異なるニューラルネットワークがトレーニングされ、回答が比較されました。研究者は、ニューラルネットワークが類似した予測を行うとき、それらは正解に近いことを発見しました。

「私たちは、各回答を遅い標準的な計算モデルで検証する必要がないことを発見しました」とユーは述べました。「代わりに、クラウドの知恵を使用しました」

機械学習モデルが十分にトレーニングされた後、生物医学研究者はそれを生物回路に適用しました。100,000のシミュレーションデータを使用してニューラルネットワークをトレーニングしました。その中で、1つだけが3つのリングを持つ細菌コロニーを生成しましたが、重要な変数を特定することもできました。

「ニューラルネットワークは、変数間のパターンと相互作用を発見することができましたが、それは他の方法では不可能だったでしょう」とワンは述べました。

研究を終えるために、研究者はランダムに動作する生物システムをテストしました。従来の方法では、コンピューターは特定のパラメータを繰り返し実行して最も可能性の高い結果を特定する必要があります。新しいシステムもこれを行うことができ、複数の複雑な生物システムに適用できることを示しました。

生物医学研究者は、より複雑な生物システムに移行し、アルゴリズムをさらに効率化するために作業しています。

「私たちは100,000のデータセットでニューラルネットワークをトレーニングしましたが、それは必要以上だったかもしれません」とワンは述べました。「シミュレーションとリアルタイムでやり取りできるようにニューラルネットワークのアルゴリズムを開発しています」

「私たちの最初の目標は、比較的単純なシステムでした」とユーは述べました。「今、私たちはこれらのニューラルネットワークシステムを改良して、より複雑な生物回路の根本的な力学を理解するための窓口を提供したいと思います」