Биомедицинските инженери го применуваат машинското учење на биолошките кола

Биомедицински инженери на Универзитетот Дјук откриле начин да го користат машинското учење со цел да ги моделираат интеракциите што се случуваат помеѓу сложените променливи во инженерските бактерии. Традиционално, овој тип на моделирање е многу тешко да се заврши, но овие нови алгоритми може да се користат во повеќе различни типови на биолошки системи.   

Новото истражување е објавено во списанието Природата комуникации септември 25. 

Биомедицинските истражувачи погледнале биолошко коло кое било вградено во бактериска култура и биле во можност да предвидат кружни обрасци. Овој нов начин на моделирање беше исклучително побрз од традиционалните методи. Поточно, тој беше 30,000 пати побрз од сегашниот пресметковен модел. 

Со цел да бидат попрецизни, истражувачите потоа го преквалификуваа моделот за машинско учење повеќе пати. Тие ги споредија одговорите и го користеа на втор биолошки систем. Вториот систем беше пресметано различен од првиот, така што алгоритмот не беше ограничен на еден сет на проблеми. 

Лингчонг Ти е професор по биомедицинско инженерство во Дјук. 

„Оваа работа беше инспирирана од Google, кој покажа дека невронските мрежи можат да научат да тепаат човек во играта на табла Go“. таа рече. 

„Иако играта има едноставни правила, има премногу можности компјутерот детерминистички да ја пресмета најдобрата следна опција“, рече Ти. „Се прашував дали таквиот пристап може да биде корисен во справувањето со одредени аспекти на биолошката сложеност со кои се соочуваме“.

Студијата користела 13 различни бактериски варијабли вклучувајќи стапки на раст, дифузија, деградација на протеини и клеточно движење. На еден компјутер ќе му требаат најмалку 600 години за да пресмета шест вредности по параметар, но новиот систем за машинско учење може да го заврши за неколку часа. 

„Моделот што го користиме е бавен бидејќи треба да ги земе предвид средните чекори на време со доволно мала стапка за да биде точен“, рече Лингчонг Ју. „Но, не секогаш ни е грижа за средните чекори. Ние само ги сакаме крајните резултати за одредени апликации. И можеме (да се вратиме на) да ги откриеме средните чекори ако ни се интересни крајните резултати“.

Постдокторскиот соработник Шангјинг Ванг користел длабока нервна мрежа која може да прави предвидувања многу побрзо од оригиналниот модел. Мрежата користи моделски променливи како влез, и доделува случајни тежини и предрасуди. Потоа, дава предвидување во врска со моделот што ќе го следи бактериската колонија. 

Првиот резултат не е точен, но мрежата малку ги менува тежините и предрасудите бидејќи и се даваат нови податоци за обука. Откако ќе има доволно податоци за обуката, предвидувањата ќе станат попрецизни и ќе останат такви. 

Имаше четири различни невронски мрежи кои беа обучени и нивните одговори беа споредени. Истражувачите откриле дека секогаш кога невронските мрежи прават слични предвидувања, тие биле блиску до точниот одговор. 

„Откривме дека не мора да го потврдуваме секој одговор со побавниот стандарден пресметковен модел“, рече Ти. Наместо тоа, ние во суштина ја користевме „мудроста на толпата“.

Откако моделот за машинско учење бил доволно обучен, биомедицинските истражувачи го користеле на биолошко коло. Имаше 100,000 симулации на податоци користени за обука на невронската мрежа. Од сите нив, само еден произведе бактериска колонија со три прстени, но тие исто така беа во можност да идентификуваат одредени варијабли кои беа важни. 

„Невралната мрежа можеше да најде шеми и интеракции помеѓу променливите што инаку би било невозможно да се откријат“, рече Ванг.

За да ја затворат студијата, истражувачите ја тестирале на биолошки систем кој работи по случаен избор. Традиционално, тие треба да користат компјутерски модел кој повторува одредени параметри повеќе пати додека не го идентификува најверојатниот исход. Новиот систем можеше да го направи и ова, и покажа дека може да се примени на различни различни сложени биолошки системи. 

Биомедицинските истражувачи сега се свртеа кон посложени биолошки системи и работат на развивање на алгоритмот за да станат уште поефикасни. 

„Ја обучивме невронската мрежа со 100,000 сетови на податоци, но тоа можеби беше претерано“, рече Ванг. „Развиваме алгоритам каде невронската мрежа може да комуницира со симулации во реално време за да помогне да се забрзаат работите.

„Нашата прва цел беше релативно едноставен систем“, рече Ти. „Сега сакаме да ги подобриме овие системи на невронски мрежи за да обезбедиме прозорец во основната динамика на посложените биолошки кола“.