ბიოსამედიცინო ინჟინრები იყენებენ მანქანათმცოდნეობას ბიოლოგიურ წრედებზე

ბიოსამედიცინო ინჟინრები დიუკის უნივერსიტეტში გამოიგონეს მანქანათმცოდნეობის გამოყენების გზა, რათა მოდელირებულიყო ურთიერთქმედებები, რომლებიც ხდება ინჟინერირებული ბაქტერიების კომპლექსურ ცვლადებს შორის. ტრადიციულად, ამ ტიპის მოდელირება რთული იყო დასრულებული, მაგრამ ეს ახალი ალგორითმები შეიძლება გამოყენებულ იქნას სხვადასხვა ტიპის ბიოლოგიურ სისტემაში.   

ახალი კვლევა ჟურნალში გამოქვეყნდა ბუნება კომუნიკაციების სექტემბერს 25. 

ბიოსამედიცინო მკვლევარებმა დაათვალიერეს ბიოლოგიური წრე, რომელიც ჩაშენებული იყო ბაქტერიულ კულტურაში და მათ შეძლეს წრიული შაბლონების პროგნოზირება. მოდელირების ეს ახალი გზა ძალიან სწრაფი იყო, ვიდრე ტრადიციული მეთოდები. კერძოდ, ის 30,000-ჯერ უფრო სწრაფი იყო, ვიდრე მიმდინარე გამოთვლითი მოდელი. 

უფრო ზუსტი რომ ყოფილიყო, მკვლევარებმა შემდეგ რამდენჯერმე გადაამზადეს მანქანათმცოდნეობის მოდელი. მათ შეადარეს პასუხები და გამოიყენეს მეორე ბიოლოგიურ სისტემაზე. მეორე სისტემა გამოთვლით განსხვავდებოდა პირველისგან, ამიტომ ალგორითმი არ შემოიფარგლებოდა პრობლემების ერთი ნაკრებით. 

Lingchong You არის დიუკის ბიოსამედიცინო ინჟინერიის პროფესორი. 

„ეს ნამუშევარი შთაგონებული იყო Google-ის მიერ, რომელმაც აჩვენა, რომ ნერვულ ქსელებს შეუძლიათ ისწავლონ ადამიანის ცემა Go-ში სამაგიდო თამაშში“. მან თქვა. 

„მიუხედავად იმისა, რომ თამაშს აქვს მარტივი წესები, კომპიუტერს ძალიან ბევრი შესაძლებლობა აქვს, რომ საუკეთესო შემდეგი ვარიანტი განმსაზღვრელად გამოთვალოს“, თქვი თქვენ. „მაინტერესებდა, შეიძლებოდა თუ არა ასეთი მიდგომა სასარგებლო იყოს ჩვენს წინაშე არსებული ბიოლოგიური სირთულის გარკვეული ასპექტების დასაძლევად“.

კვლევამ გამოიყენა 13 სხვადასხვა ბაქტერიული ცვლადი, მათ შორის ზრდის ტემპი, დიფუზია, ცილების დეგრადაცია და უჯრედული მოძრაობა. ერთ კომპიუტერს მინიმუმ 600 წელი დასჭირდება თითო პარამეტრზე ექვსი მნიშვნელობის გამოსათვლელად, მაგრამ მანქანათმცოდნეობის ახალ სისტემას შეუძლია მისი დასრულება საათებში. 

”ჩვენს მიერ გამოყენებული მოდელი ნელია, რადგან მან უნდა გაითვალისწინოს დროში შუალედური ნაბიჯები საკმარისად მცირე სიჩქარით, რომ იყოს ზუსტი,” - თქვა ლინჩონგ იუ. ”მაგრამ ჩვენ ყოველთვის არ გვაინტერესებს შუალედური ნაბიჯები. ჩვენ უბრალოდ გვინდა საბოლოო შედეგები გარკვეული აპლიკაციებისთვის. და ჩვენ შეგვიძლია (დაბრუნდეთ) შუალედური საფეხურების გარკვევა, თუ საბოლოო შედეგები საინტერესო აღმოვაჩინეთ“.

პოსტდოქტორანტმა შანგინგ ვანგმა გამოიყენა ღრმა ნერვული ქსელი, რომელსაც შეუძლია პროგნოზების გაკეთება ბევრად უფრო სწრაფად, ვიდრე ორიგინალური მოდელი. ქსელი იყენებს მოდელის ცვლადებს, როგორც შეყვანას და ანიჭებს შემთხვევით წონებს და მიკერძოებებს. შემდეგ, ის აკეთებს პროგნოზს იმ ნიმუშთან დაკავშირებით, რომელსაც მიჰყვება ბაქტერიების კოლონია. 

პირველი შედეგი არ არის სწორი, მაგრამ ქსელი ოდნავ ცვლის წონებს და მიკერძოებებს, რადგან მას ეძლევა ახალი სასწავლო მონაცემები. მას შემდეგ რაც იქნება საკმარისი ტრენინგის მონაცემები, პროგნოზები უფრო ზუსტი გახდება და ასე დარჩება. 

იყო ოთხი განსხვავებული ნერვული ქსელი, რომლებიც გაწვრთნილი იყო და მათი პასუხები შეადარეს. მკვლევარებმა აღმოაჩინეს, რომ როდესაც ნერვული ქსელები აკეთებენ მსგავს პროგნოზებს, ისინი ახლოს იყვნენ სწორ პასუხთან. 

„ჩვენ აღმოვაჩინეთ, რომ არ გვჭირდებოდა თითოეული პასუხის დადასტურება უფრო ნელი სტანდარტული გამოთვლითი მოდელით“, - თქვა შენ. ”ჩვენ არსებითად გამოვიყენეთ ”ბრბოს სიბრძნე” ამის ნაცვლად.

მას შემდეგ, რაც მანქანათმცოდნეობის მოდელი საკმარისად გაწვრთნილი იყო, ბიოსამედიცინო მკვლევარებმა ის გამოიყენეს ბიოლოგიურ წრეზე. იყო 100,000 მონაცემთა სიმულაცია, რომელიც გამოიყენებოდა ნერვული ქსელის მოსამზადებლად. ყველა მათგანიდან მხოლოდ ერთმა შექმნა ბაქტერიული კოლონია სამი რგოლით, მაგრამ მათ ასევე შეძლეს გარკვეული ცვლადების იდენტიფიცირება, რომლებიც მნიშვნელოვანი იყო. 

„ნერვულმა ქსელმა შეძლო ეპოვა შაბლონები და ურთიერთქმედებები ცვლადებს შორის, რომელთა აღმოჩენა სხვაგვარად შეუძლებელი იქნებოდა“, - თქვა ვანგმა.

კვლევის დასასრულებლად მკვლევარებმა ის გამოსცადეს ბიოლოგიურ სისტემაზე, რომელიც შემთხვევით მუშაობს. ტრადიციულად, მათ უნდა გამოეყენებინათ კომპიუტერული მოდელი, რომელიც ბევრჯერ იმეორებს გარკვეულ პარამეტრებს, სანამ არ გამოავლენს ყველაზე სავარაუდო შედეგს. ახალმა სისტემამ ასევე შეძლო ამის გაკეთება და აჩვენა, რომ მისი გამოყენება შესაძლებელია სხვადასხვა რთულ ბიოლოგიურ სისტემაზე. 

ბიოსამედიცინო მკვლევარები ახლა უფრო რთულ ბიოლოგიურ სისტემებს მიმართავენ და ისინი მუშაობენ ალგორითმის შემუშავებაზე, რათა კიდევ უფრო ეფექტური გახდეს. 

„ჩვენ ვავარჯიშეთ ნერვული ქსელი 100,000 XNUMX მონაცემთა ნაკრებით, მაგრამ ეს შესაძლოა ზედმეტი ყოფილიყო“, - თქვა ვანგმა. „ჩვენ ვამუშავებთ ალგორითმს, სადაც ნერვულ ქსელს შეუძლია რეალურ დროში სიმულაციებთან ურთიერთქმედება, რაც ხელს შეუწყობს მოვლენების დაჩქარებას.

”ჩვენი პირველი მიზანი იყო შედარებით მარტივი სისტემა,” - თქვა შენ. ”ახლა ჩვენ გვინდა გავაუმჯობესოთ ეს ნერვული ქსელის სისტემები, რათა მივცეთ ფანჯარა უფრო რთული ბიოლოგიური სქემების ძირეულ დინამიკაში.”