Biomedische ingenieurs passen machine learning toe op biologische circuits

Biomedische ingenieurs van de Duke University hebben een manier gevonden om machine learning te gebruiken om interacties te modelleren die plaatsvinden tussen complexe variabelen in geëngineerde bacteriën. Traditioneel was dit type modellering te moeilijk om te voltooien, maar deze nieuwe algoritmes kunnen worden gebruikt in meerdere verschillende biologische systemen.

Het nieuwe onderzoek werd gepubliceerd in het tijdschrift Nature Communications op 25 september.

De biomedische onderzoekers keken naar een biologische circuit dat was ingebed in een bacteriële cultuur, en ze konden cirkelvormige patronen voorspellen. Deze nieuwe manier van modelleren was extreem sneller dan traditionele methoden. Specifiek was het 30.000 keer sneller dan het huidige computationele model.

Om meer accurate te zijn, hebben de onderzoekers het machine learning-model meerdere keren opnieuw getraind. Ze hebben de antwoorden vergeleken en het gebruikt op een tweede biologisch systeem. Het tweede systeem was computationeel verschillend van het eerste, dus het algoritme was niet beperkt tot één set problemen.

Lingchong You is een professor in de biomedische techniek aan Duke.

“Dit werk was geïnspireerd door Google (GOOGL ), dat liet zien dat neurale netwerken een mens konden verslaan in het bordspel Go”, zei ze.

“Hoewel het spel eenvoudige regels heeft, zijn er te veel mogelijkheden voor een computer om het beste volgende optie te berekenen”, zei You. “Ik vroeg me af of een dergelijke aanpak nuttig kon zijn bij het omgaan met bepaalde aspecten van biologische complexiteit die we tegenkomen.”

De studie gebruikte 13 verschillende bacteriële variabelen, waaronder groeisnelheden, diffusie, proteïne-afbraak en celbeweging. Een enkele computer zou minstens 600 jaar nodig hebben om zes waarden per parameter te berekenen, maar het nieuwe machine learning-systeem kan dit in uren doen.

“Het model dat we gebruiken is langzaam omdat het rekening moet houden met tussenstappen in de tijd op een klein genoeg tempo om accuraat te zijn”, zei Lingchong You. “Maar we zijn niet altijd geïnteresseerd in de tussenstappen. We willen alleen de eindresultaten voor bepaalde toepassingen. En we kunnen teruggaan en de tussenstappen uitvinden als we de eindresultaten interessant vinden.”

Postdoctoraal medewerker Shangying Wang gebruikte een diep neuronaal netwerk dat veel sneller voorspellingen kan doen dan het oorspronkelijke model. Het netwerk gebruikt modelvariabelen als invoer en wijst willekeurige gewichten en biases toe. Vervolgens doet het een voorspelling over het patroon dat de bacteriële kolonie zal volgen.

Het eerste resultaat is niet correct, maar het netwerk past de gewichten en biases iets aan als het nieuwe trainingsgegevens krijgt. Zodra er voldoende trainingsgegevens zijn, worden de voorspellingen meer accuraat en blijven ze dat.

Er werden vier verschillende neurale netwerken getraind en hun antwoorden werden vergeleken. De onderzoekers ontdekten dat wanneer de neurale netwerken soortgelijke voorspellingen doen, ze dicht bij het correcte antwoord waren.

“We ontdekten dat we niet elk antwoord hoefden te valideren met het langzamere standaard computationele model”, zei You. “We gebruikten in feite de ‘wijsheid van de menigte’ in plaats daarvan.”

Nadat het machine learning-model voldoende was getraind, gebruikten de biomedische onderzoekers het op een biologisch circuit. Er werden 100.000 datasimulaties gebruikt om het neurale netwerk te trainen. Van allemaal produceerde alleen één een bacteriële kolonie met drie ringen, maar ze konden bepaalde variabelen identificeren die belangrijk waren.

“Het neurale netwerk kon patronen en interacties tussen de variabelen vinden die anders onmogelijk te ontdekken zouden zijn”, zei Wang.

Om de studie af te sluiten, testten de onderzoekers het op een biologisch systeem dat willekeurig werkt. Traditioneel zouden ze een computermodel moeten gebruiken dat bepaalde parameters meerdere keren herhaalt totdat het de meest waarschijnlijke uitkomst vindt. Het nieuwe systeem kon dit ook doen en het liet zien dat het kan worden toegepast op verschillende complexe biologische systemen.

De biomedische onderzoekers zijn nu overgestapt op meer complexe biologische systemen en werken aan het ontwikkelen van het algoritme om het nog efficiënter te maken.

“We hebben het neurale netwerk getraind met 100.000 datasets, maar dat zou misschien overbodig zijn”, zei Wang. “We zijn een algoritme aan het ontwikkelen waarbij het neurale netwerk in real-time kan communiceren met simulaties om dingen op te schieten.”

“Ons eerste doel was een relatief eenvoudig systeem”, zei You. “Nu willen we deze neurale netwerksystemen verbeteren om een venster te bieden in de onderliggende dynamiek van meer complexe biologische circuits.”