Ingineri biomedical aplică machine learning la circuite biologice

Inginerii biomedical de la Universitatea Duke au descoperit o modalitate de a utiliza machine learning pentru a modela interacțiunile care au loc între variabile complexe în bacterii modificate genetic. În mod tradițional, acest tip de modelare a fost prea dificil de realizat, dar noile algoritmi pot fi utilizați în multiple sisteme biologice diferite.

Cercetarea nouă a fost publicată în revista Nature Communications pe 25 septembrie.

Cercetătorii biomedical au examinat un circuit biologic încorporat într-o cultură de bacterii și au reușit să prevadă modele circulare. Această nouă modalitate de modelare a fost mult mai rapidă decât metodele tradiționale. În special, a fost de 30.000 de ori mai rapidă decât modelul computațional actual.

Pentru a fi mai precis, cercetătorii au reantrenat modelul de machine learning de mai multe ori. Ei au comparat răspunsurile și l-au utilizat pe un al doilea sistem biologic. Al doilea sistem a fost computațional diferit de primul, astfel încât algoritmul nu a fost limitat la o singură serie de probleme.

Lingchong You este profesor de inginerie biomedicală la Duke.

“Această lucrare a fost inspirată de Google (GOOGL ), care a demonstrat că rețelele neuronale pot învăța să bată un om la jocul de șah Go”, a spus ea.

“Chiar dacă jocul are reguli simple, există prea multe posibilități pentru ca un computer să calculeze cea mai bună opțiune următoare în mod determinist”, a spus You. “M-am întrebat dacă o astfel de abordare ar putea fi utilă în a face față anumitor aspecte ale complexității biologice cu care ne confruntăm.”

Studiul a utilizat 13 variabile bacteriene diferite, inclusiv rate de creștere, difuzie, degradare a proteinelor și mișcare celulară. Un singur computer ar necesita cel puțin 600 de ani pentru a calcula șase valori pe parametru, dar noul sistem de machine learning poate finaliza acest proces în câteva ore.

“Modelul pe care îl utilizăm este lent, deoarece trebuie să ia în considerare pașii intermediari în timp la o rată suficient de mică pentru a fi precis”, a spus Lingchong You. “Dar nu ne interesează întotdeauna pașii intermediari. Ne interesează doar rezultatele finale pentru anumite aplicații. Și putem să ne întoarcem și să descoperim pașii intermediari dacă găsim rezultatele finale interesante.”

Asociatul postdoctoral Shangying Wang a utilizat o rețea neurală profundă care poate face previziuni mult mai rapide decât modelul original. Rețeaua utilizează variabilele modelului ca intrare și atribuie greutăți și bias-uri aleatorii. Apoi, face o previziune cu privire la modelul pe care îl va urma colonia bacteriană.

Primul rezultat nu este corect, dar rețeaua modifică ușor greutățile și bias-urile pe măsură ce primește noi date de antrenament. Odată ce a fost suficient de antrenat, previziunile devin mai precise și rămân astfel.

Au fost antrenate patru rețele neuronale diferite, iar răspunsurile lor au fost comparate. Cercetătorii au descoperit că atunci când rețelele neuronale fac previziuni similare, acestea sunt aproape de răspunsul corect.

“Am descoperit că nu trebuia să validăm fiecare răspuns cu modelul computațional standard mai lent”, a spus You. “Am utilizat în schimb ‘înțelepciunea mulțimii’.”

După ce modelul de machine learning a fost suficient de antrenat, cercetătorii biomedical au utilizat-o pe un circuit biologic. Au fost utilizate 100.000 de simulări de date pentru a antrena rețeaua neurală. Din toate acestea, doar una a produs o colonie bacteriană cu trei inele, dar au reușit să identifice anumite variabile importante.

“Rețeaua neurală a putut găsi modele și interacțiuni între variabile care ar fi fost altfel imposibil de descoperit”, a spus Wang.

Pentru a închide studiul, cercetătorii l-au testat pe un sistem biologic care funcționează aleator. În mod tradițional, ar fi trebuit să utilizeze un model computațional care repetă anumite parametri de mai multe ori până când identifică rezultatul cel mai probabil. Noul sistem a putut face acest lucru și a demonstrat că poate fi aplicat la diverse sisteme biologice complexe.

Cercetătorii biomedical au trecut la sisteme biologice mai complexe și lucrează la dezvoltarea algoritmului pentru a deveni și mai eficient.

“Am antrenat rețeaua neurală cu 100.000 de seturi de date, dar asta ar fi putut fi o exagerare”, a spus Wang. “Suntem în curs de dezvoltare a unui algoritm în care rețeaua neurală poate interacționa cu simulări în timp real pentru a ajuta la accelerarea procesului.”

“Primul nostru obiectiv a fost un sistem relativ simplu”, a spus You. “Acum vrem să îmbunătățim aceste sisteme de rețele neuronale pentru a oferi o fereastră către dinamica subiacentă a circuitelor biologice mai complexe.”