Inżynierowie biomedyczni stosują uczenie maszynowe w obwodach biologicznych

Inżynierowie biomedyczni z Uniwersytetu Duke odkryli sposób wykorzystania uczenia maszynowego do modelowania interakcji między złożonymi zmiennymi w zaprojektowanych bakteriach. Tradycyjnie, tego typu modelowanie było zbyt trudne do wykonania, ale nowe algorytmy mogą być stosowane w różnych typach systemów biologicznych.

Nowe badania zostały opublikowane w czasopiśmie Nature Communications 25 września.

Badacze medyczni przyjrzeli się obwodowi biologicznemu wbudowanemu w hodowlę bakterii i byli w stanie przewidzieć okrągłe wzory. Nowy sposób modelowania był znacznie szybszy niż tradycyjne metody. Konkretnie, był 30 000 razy szybszy niż bieżący model komputacyjny.

Aby być bardziej dokładnymi, badacze ponownie przeszkolili model uczenia maszynowego wiele razy. Porównali odpowiedzi i zastosowali go w drugim systemie biologicznym. Drugi system był obliczeniowo inny niż pierwszy, więc algorytm nie był ograniczony do jednego zestawu problemów.

Lingchong You jest profesorem inżynierii biomedycznej na Uniwersytecie Duke.

“Ta praca była zainspirowana przez Google (GOOGL ), które pokazało, że sieci neuronowe mogą nauczyć się pokonać człowieka w grze Go”, powiedziała.

“Chociaż gra ma proste zasady, istnieje zbyt wiele możliwości, aby komputer mógł obliczyć najlepszą następną opcję w sposób deterministyczny”, powiedział You. “Zastanawiałem się, czy taki podejście mogłoby być przydatne w radzeniu sobie z pewnymi aspektami biologicznej złożoności, z którymi się mierzymy”.

Badanie wykorzystało 13 różnych zmiennych bakterii, w tym tempo wzrostu, dyfuzję, degradację białek i ruch komórkowy. Jeden komputer potrzebowałby co najmniej 600 lat, aby obliczyć sześć wartości na parametr, ale nowy system uczenia maszynowego może to zrobić w ciągu kilku godzin.

“Model, który używamy, jest wolny, ponieważ musi wziąć pod uwagę pośrednie kroki w czasie w wystarczająco małej skali, aby być dokładnym”, powiedział Lingchong You. “Ale nie zawsze dbamy o pośrednie kroki. Chcemy tylko końcowych wyników dla pewnych aplikacji. I możemy (wrócić do) ustalenia pośrednich kroków, jeśli znajdziemy końcowe wyniki interesującymi”.

Stypendysta Shangying Wang wykorzystał głęboką sieć neuronową, która może dokonywać przewidywań znacznie szybciej niż oryginalny model. Sieć używa zmiennych modelu jako danych wejściowych i przypisuje losowe wagi i uprzedzenia. Następnie, dokonuje przewidywania dotyczącego wzoru, który kolonia bakterii będzie następować.

Pierwszy wynik nie jest poprawny, ale sieć nieznacznie zmienia wagi i uprzedzenia, gdy otrzymuje nowe dane szkoleniowe. Po wystarczającej ilości danych szkoleniowych, przewidywania stają się bardziej dokładne i pozostają takie.

Istniały cztery różne sieci neuronowe, które zostały przeszkolone, a ich odpowiedzi zostały porównane. Badacze odkryli, że kiedy sieci neuronowe dokonywały podobnych przewidywań, były one bliskie poprawnej odpowiedzi.

“Odkryliśmy, że nie musimy potwierdzać każdej odpowiedzi za pomocą wolniejszego standardowego modelu komputacyjnego”, powiedział You. “W zasadzie wykorzystaliśmy ‘mądrość tłumu’ zamiast tego”.

Po tym, jak model uczenia maszynowego został wystarczająco przeszkolony, badacze medyczni wykorzystali go w obwodzie biologicznym. Zostało wykorzystanych 100 000 symulacji danych do przeszkolenia sieci neuronowej. Spośród wszystkich tych, tylko jeden wyprodukował kolonię bakterii z trzema pierścieniami, ale byli w stanie zidentyfikować pewne zmienne, które były ważne.

“Sieć neuronowa była w stanie znaleźć wzory i interakcje między zmiennymi, które byłyby w przeciwnym razie niemożliwe do odkrycia”, powiedział Wang.

Aby zakończyć badanie, badacze przetestowali je w systemie biologicznym, który działa losowo. Tradycyjnie, musieliby użyć modelu komputera, który powtarza pewne parametry wiele razy, aż do identyfikacji najbardziej prawdopodobnego wyniku. Nowy system był w stanie to zrobić, i pokazał, że może być stosowany w różnych złożonych systemach biologicznych.

Badacze medyczni teraz zwrócili się ku bardziej złożonym systemom biologicznym i pracują nad rozwojem algorytmu, aby stał się jeszcze bardziej wydajny.

“Przeszkoliliśmy sieć neuronową z 100 000 zestawów danych, ale to mogło być nadmiarem”, powiedział Wang. “Rozwijamy algorytm, w którym sieć neuronowa może współdziałać z symulacjami w czasie rzeczywistym, aby pomóc przyspieszyć rzeczy”.

“Naszym pierwszym celem był stosunkowo prosty system”, powiedział You. “Teraz chcemy udoskonalić te systemy sieci neuronowej, aby zapewnić okno do podstawowych dynamik bardziej złożonych obwodów biologicznych”.