Forskere bruker AI for å få dyptere innsikt i cellevekst

Et team av forskere ved University of Tokyo Institute of Industrial Science har designet en ny maskinlæringsalgoritme som kan forutsi størrelsen på en enkelt celle mens den vokser og deler seg.

Teamets kunstige nevralt nettverk gjør det mulig for en datamaskin å lage mer nøyaktige prognoser sammenlignet med metoder som bare baserer seg på vanlige antagelser i biologi. Ifølge teamet kan de nye utviklingene hjelpe med å fremme feltet kvantitativ biologi og forbedre industriell produksjon av legemidler.

Biofaget

Biofaget, likt alle naturvitenskaper, baserer seg på matematiske modeller som gjør prediksjoner om fremtiden basert på data. Fordi levende systemer og biologiske livsformer er ekstremt komplekse, kan disse ligningene ikke alltid være fullt tillitlige. De baserer seg ofte på forenklingene antagelser, som ikke nødvendigvis reflekterer de faktiske biologiske prosessene.

På grunn av dette, vendte teamet av forskere seg til den nye maskinlæringsalgoritmen, som kan bruke målt størrelse på enkeltceller over tid for å forutsi deres fremtidige størrelse. En av de største fordelene med datamaskinsystemet er at det automatisk gjenkjenner mønster i dataene, noe som betyr at det ikke er begrenset som andre konvensjonelle metoder.

Atsushi Kamimura er første forfatter av forskningsrapporten.

“I biologi brukes ofte enkle modeller basert på deres evne til å gjenskape målte data,” sier Kamimura. “Men modellene kan svikte med å fange hva som virkelig skjer på grunn av menneskelige forutbestemmelse.”

Samling av data

Studien baserte seg på data samlet fra enten en Escherichia coli-bakterie eller en Schizosaccharomyces pombe-gjærcelle, som ble holdt i en mikrofluidisk kanal med varierende temperaturer.

Det viste seg at plotstørrelsen så ut som en “sagtegning” da den eksponentielle veksten ble avbrutt av delingshendelser. Tradisjonelt baserer menneskelige biologer seg på en “sizer”-modell, som er basert på den absolutte størrelsen på cellen, eller en “adder”-modell, som er basert på økningen i størrelse siden fødselen. De bruker disse modellene til å forutsi når delinger vil skje.

Mens dataprogrammet viste at “adder”-prinsippet er effektivt, fant det det å være en del av et større og mer komplekst system av biokjemiske reaksjoner og signalering.

Tetsuya Kobayashi er seniorforfatter av rapporten.

“Vårt dyptlæringsnevralt nettverk kan effektivt skille historieavhengige deterministiske faktorer fra støyen i gitt data,” sier Kobayashi.

Teamet sier at denne metoden kan brukes i andre områder av biologi, ikke bare for å forutsi cellestørrelse. Livsvitenskapen vil stadig mer basere seg på kunstig intelligens i stedet for menneskelige modeller, og AI vil kunne oppdage nye og effektive måter å kontrollere mikroorganismer på, noe som vil ha en stor innvirkning på hvordan vi fermenterer produkter og produserer legemidler.