Engenheiros Biomédicos Aplicam Aprendizado de Máquina a Circuitos Biológicos

Engenheiros biomédicos da Universidade Duke descobriram uma maneira de usar aprendizado de máquina para modelar interações que ocorrem entre variáveis complexas em bactérias geneticamente modificadas. Tradicionalmente, esse tipo de modelagem foi muito difícil de concluir, mas esses novos algoritmos podem ser usados em vários tipos de sistemas biológicos.

A nova pesquisa foi publicada na revista Nature Communications em 25 de setembro.

Os pesquisadores biomédicos examinaram um circuito biológico incorporado a uma cultura bacteriana e conseguiram prever padrões circulares. Essa nova forma de modelagem foi extremamente mais rápida do que os métodos tradicionais. Especificamente, foi 30.000 vezes mais rápida do que o modelo computacional atual.

Para ser mais preciso, os pesquisadores retreinaram o modelo de aprendizado de máquina várias vezes. Eles compararam as respostas e o usaram em um segundo sistema biológico. O segundo sistema era computacionalmente diferente do primeiro, então o algoritmo não se limitou a um conjunto de problemas.

Lingchong You é professora de engenharia biomédica da Duke.

“Esse trabalho foi inspirado pelo Google (GOOGL ), que mostrou que redes neurais podem aprender a vencer um humano no jogo Go”, disse ela.

“Embora o jogo tenha regras simples, há muitas possibilidades para que um computador calcule a melhor opção seguinte de forma determinística”, disse You. “Eu me perguntei se essa abordagem poderia ser útil para lidar com certos aspectos da complexidade biológica que enfrentamos.”

O estudo usou 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 concluir 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 não nos importamos sempre com as etapas intermediárias. Queremos apenas os resultados finais para certas aplicações. E podemos voltar a descobrir as etapas intermediárias se encontrarmos os resultados finais interessantes.”

O associado de pós-doutorado Shangying Wang usou uma rede neural profunda que pode fazer previsões muito mais rápidas do que o modelo original. A rede usa variáveis do 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 é correto, mas a rede muda ligeiramente os pesos e vieses à medida que recebe novos dados de treinamento. Uma vez que houve dados de treinamento suficientes, as previsões se tornarão mais precisas e permanecerão assim.

Havia quatro redes neurais diferentes que 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 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 usadas 100.000 simulações de dados para treinar a rede neural. De todas elas, apenas uma produziu uma colônia bacteriana com três anéis, mas eles também conseguiram identificar certas variáveis que eram importantes.

“A rede neural conseguiu encontrar padrões e interações entre as variáveis que teriam sido de outra forma impossíveis de descobrir”, disse Wang.

Para concluir o estudo, os pesquisadores o testaram em um sistema biológico que opera aleatoriamente. Tradicionalmente, eles teriam que usar um modelo computacional que repete certos parâmetros várias vezes até identificar o resultado mais provável. O novo sistema conseguiu fazer isso também 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 torná-lo ainda mais eficiente.

“Treinamos a rede neural com 100.000 conjuntos de dados, mas isso pode ter sido excesso”, 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 foi um sistema relativamente simples”, disse You. “Agora queremos melhorar esses sistemas de rede neural para fornecer uma janela para as dinâmicas subjacentes de circuitos biológicos mais complexos.”