Biomedisinske ingeniører bruker maskinlæring på biologiske kretser

Biomedisinske ingeniører ved Duke University har funnet ut en måte å bruke maskinlæring til å modellere interaksjoner som skjer mellom komplekse variabler i konstruerte bakterier. Tradisjonelt har denne type modellering vært for vanskelig å fullføre, men disse nye algoritmene kan brukes i flere forskjellige biologiske systemer.

Den nye forskningen ble publisert i tidsskriftet Nature Communications den 25. september.

De biomedisinske forskerne undersøkte en biologisk krets som var innbygget i en bakteriekultur, og de kunne forutsi sirkulære mønster. Denne nye måten å modellere var ekstremt raskere enn tradisjonelle metoder. Spesifikt var det 30 000 ganger raskere enn den nåværende komputasjonelle modellen.

For å være mer nøyaktig, trente forskerne maskinlæringsmodellen flere ganger. De sammenlignet svarene og brukte den på et annet biologisk system. Det andre systemet var komputasjonelt forskjellig fra det første, så algoritmen var ikke begrenset til ett sett med problemer.

Lingchong You er professor i biomedisinsk ingeniørkunst ved Duke.

“Dette arbeidet ble inspirert av Google (GOOGL ), som viste at neurale nettverk kunne lære å slå en menneske i brettspillet Go”, sa hun.

“Selv om spillet har enkle regler, er det for mange muligheter for en datamaskin å beregne det beste neste valget deterministisk,” sa You. “Jeg lurte på om en slik tilnærming kunne være nyttig i å håndtere visse aspekter av biologisk kompleksitet som konfronterer oss.”

Studien brukte 13 forskjellige bakterielle variabler, inkludert vekstrater, diffusjon, protein-degradering og cellebevegelse. En enkelt datamaskin ville trengt minst 600 år for å beregne seks verdier per parameter, men det nye maskinlærings-systemet kan fullføre det på noen timer.

“Modellen vår er langsom fordi den må ta hensyn til mellomliggende steg i tid på en liten nok rate for å være nøyaktig,” sa Lingchong You. “Men vi bryr oss ikke alltid om de mellomliggende stegene. Vi vil bare ha sluttresultatene for visse applikasjoner. Og vi kan gå tilbake og finne de mellomliggende stegene hvis vi finner sluttresultatene interessante.”

Postdoktorand Shangying Wang brukte et dypt neuralt nettverk som kan gjøre forutsigelser mye raskere enn den opprinnelige modellen. Nettverket bruker modellvariabler som inndata, og det tildeles tilfeldige vekter og forvrengninger. Deretter gjør det en forutsigelse om mønsteret som bakteriekolonien vil følge.

Det første resultatet er ikke korrekt, men nettverket endrer litt vektene og forvrengningene når det får ny treningdata. Når det har fått nok treningdata, blir forutsigelsene mer nøyaktige og forblir det.

Det ble trent fire forskjellige neurale nettverk, og deres svar ble sammenlignet. Forskerne oppdaget at når de neurale nettverkene gjorde lignende forutsigelser, var de nærme det riktige svaret.

“Vi oppdaget at vi ikke trengte å validerer hvert svar med den langsommere standard-komputasjonsmodellen,” sa You. “Vi brukte i stedet ‘visdommen fra mengden’.”

Etter at maskinlæringsmodellen var tilstrekkelig trent, brukte de biomedisinske forskerne den på en biologisk krets. Det ble brukt 100 000 datasimuleringer for å trene det neurale nettverket. Av alle disse produserte bare ett en bakteriekoloni med tre ringer, men de kunne også identifisere visse variabler som var viktige.

“Neuralt nettverk kunne finne mønster og interaksjoner mellom variablene som ville ha vært umulig å avdekke på annen måte,” sa Wang.

For å avslutte studien, testet forskerne den på et biologisk system som opererer tilfeldig. Tradisjonelt ville de ha måttet bruke en datamaskinmodell som gjentar visse parametre flere ganger til den identifiserer det mest sannsynlige resultatet. Det nye systemet kunne også gjøre dette, og det viste at det kan brukes på ulike komplekse biologiske systemer.

De biomedisinske forskerne har nå vendt seg mot mer komplekse biologiske systemer, og de arbeider med å utvikle algoritmen for å bli enda mer effektiv.

“Vi trente det neurale nettverket med 100 000 datasæt, men det kan ha vært overkill,” sa Wang. “Vi utvikler en algoritme hvor det neurale nettverket kan samhandle med simulasjoner i sanntid for å hjelpe med å akselerere prosessen.”

“Vårt første mål var et relativt enkelt system,” sa You. “Nå vil vi forbedre disse neurale nettverkssystemene for å gi et vindu inn i de underliggende dynamikkene av mer komplekse biologiske kretser.”