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”.