AI 101
Engenheiros biomédicos aplicam aprendizado de máquina a circuitos biológicos
Engenheiros biomédicos da Duke University descobriram uma maneira de usar o aprendizado de máquina para modelar interações que ocorrem entre variáveis complexas em bactérias modificadas. Tradicionalmente, esse tipo de modelagem tem sido muito difícil de ser concluído, mas esses novos algoritmos podem ser usados em vários tipos diferentes de sistemas biológicos.
A nova pesquisa foi publicada na revista Natureza das Comunicações em setembro 25.
Os pesquisadores biomédicos analisaram um circuito biológico que foi incorporado a uma cultura bacteriana e foram capazes de prever padrões circulares. Essa nova forma de modelagem foi extremamente mais rápida que os métodos tradicionais. Especificamente, foi 30,000 vezes mais rápido que o modelo computacional atual.
Para serem mais precisos, os pesquisadores treinaram novamente o modelo de aprendizado de máquina várias vezes. Eles compararam as respostas e as usaram em um segundo sistema biológico. O segundo sistema era computacionalmente diferente do primeiro, então o algoritmo não estava limitado a um conjunto de problemas.
Lingchong You é professor de engenharia biomédica na Duke.
“Este trabalho foi inspirado pelo Google mostrando que as redes neurais podem aprender a vencer um humano no jogo de tabuleiro Go.” ela disse.
“Embora o jogo tenha regras simples, há muitas possibilidades para um computador calcular a melhor próxima opção de forma determinística”, disse You. “Eu me perguntei se tal abordagem poderia ser útil para lidar com certos aspectos da complexidade biológica que nos confrontam”.
O estudo utilizou 13 variáveis bacterianas diferentes, incluindo taxas de crescimento, difusão, degradação de proteínas e movimento celular. Um único computador precisaria de pelo menos 600 anos para calcular seis valores por parâmetro, mas o novo sistema de aprendizado de máquina pode completá-lo em horas.
“O modelo que usamos é lento porque precisa levar em conta etapas intermediárias no tempo em uma taxa pequena o suficiente para ser preciso”, disse Lingchong You. “Mas nem sempre nos preocupamos com as etapas intermediárias. Queremos apenas os resultados finais para determinadas aplicações. E podemos (voltar para) descobrir as etapas intermediárias se acharmos os resultados finais interessantes.”
O associado de pós-doutorado Shangying Wang usou uma rede neural profunda que é capaz de fazer previsões muito mais rapidamente do que o modelo original. A rede usa variáveis de modelo como entrada e atribui pesos e vieses aleatórios. Em seguida, faz uma previsão sobre o padrão que a colônia bacteriana seguirá.
O primeiro resultado não está correto, mas a rede altera ligeiramente os pesos e vieses à medida que recebe novos dados de treinamento. Assim que houver dados de treinamento suficientes, as previsões se tornarão mais precisas e permanecerão assim.
Quatro redes neurais diferentes foram treinadas e suas respostas foram comparadas. Os pesquisadores descobriram que sempre que as redes neurais fazem previsões semelhantes, elas estão próximas da resposta correta.
“Descobrimos que não precisávamos validar cada resposta com o modelo computacional padrão mais lento”, disse You. “Em vez disso, usamos essencialmente a 'sabedoria da multidão'.”
Depois que o modelo de aprendizado de máquina foi suficientemente treinado, os pesquisadores biomédicos o usaram em um circuito biológico. Foram 100,000 simulações de dados usadas para treinar a rede neural. De todos eles, apenas um produziu uma colônia bacteriana com três anéis, mas eles também conseguiram identificar algumas variáveis importantes.
“A rede neural foi capaz de encontrar padrões e interações entre as variáveis que seriam impossíveis de descobrir”, disse Wang.
Para encerrar o estudo, os pesquisadores o testaram em um sistema biológico que opera aleatoriamente. Tradicionalmente, eles teriam que usar um modelo de computador que repete determinados parâmetros várias vezes até identificar o resultado mais provável. O novo sistema também foi capaz de fazer isso e mostrou que pode ser aplicado a vários sistemas biológicos complexos.
Os pesquisadores biomédicos agora se voltaram para sistemas biológicos mais complexos e estão trabalhando no desenvolvimento do algoritmo para se tornar ainda mais eficiente.
“Treinamos a rede neural com 100,000 conjuntos de dados, mas isso pode ter sido um exagero”, disse Wang. “Estamos desenvolvendo um algoritmo onde a rede neural pode interagir com simulações em tempo real para ajudar a acelerar as coisas.”
“Nosso primeiro objetivo era um sistema relativamente simples”, disse You. “Agora queremos melhorar esses sistemas de redes neurais para fornecer uma janela para a dinâmica subjacente de circuitos biológicos mais complexos”.