Биomedical инженеры применяют машинное обучение к биологическим цепям

Биomedical инженеры из Университета Дьюка нашли способ использовать машинное обучение для моделирования взаимодействий, которые происходят между сложными переменными в генетически модифицированных бактериях. Традиционно, такое моделирование было слишком сложным для завершения, но эти новые алгоритмы могут быть использованы в нескольких разных биологических системах.

Новое исследование было опубликовано в журнале Nature Communications 25 сентября.

Биomedical исследователи изучали биологическую цепь, встроенную в бактериальную культуру, и смогли предсказать круговые закономерности. Этот новый способ моделирования был намного быстрее традиционных методов. Конкретно, он был в 30 000 раз быстрее текущей вычислительной модели.

Чтобы быть более точными, исследователи затем переобучили модель машинного обучения несколько раз. Они сравнили ответы и использовали ее на второй биологической системе. Вторая система была вычислительной khácной от первой, поэтому алгоритм не был ограничен одной задачей.

Линчонг Ю – профессор биomedical инженерии в Университете Дьюка.

“Эта работа была вдохновлена Google (GOOGL ), показавшей, что нейронные сети могут научиться побеждать человека в игре Го”, – сказала она.

“Хотя игра имеет простые правила, существует слишком много возможностей для компьютера, чтобы вычислить лучший следующий вариант определенно”, – сказала Ю. “Я задумалась, может ли такой подход быть полезен в преодолении определенных аспектов биологической сложности, с которыми мы сталкиваемся”.

Исследование использовало 13 разных бактериальных переменных, включая скорости роста, диффузии, деградации белка и клеточного движения. Один компьютер потребовал бы не менее 600 лет, чтобы вычислить шесть значений на параметр, но новая система машинного обучения может выполнить это за несколько часов.

“Модель, которую мы используем, медленна, потому что она должна учитывать промежуточные шаги во времени с достаточно маленькой скоростью, чтобы быть точной”, – сказала Линчонг Ю. “Но мы не всегда заботимся о промежуточных шагах. Мы просто хотим получить конечные результаты для определенных приложений. И мы можем вернуться и выяснить промежуточные шаги, если мы найдем конечные результаты интересными”.

Постдокторант Шанъин Ван использовал глубокую нейронную сеть, которая может делать прогнозы намного быстрее, чем исходная модель. Сеть использует переменные модели как входные данные и присваивает случайные веса и смещения. Затем она делает прогноз о закономерности, которую будет следовать бактериальная колония.

Первый результат не правильный, но сеть немного изменяет веса и смещения, когда получает новые обучающие данные. Как только было достаточно обучающих данных, прогнозы становятся более точными и остаются таковыми.

Были обучены четыре разных нейронных сети, и их ответы были сравнены. Исследователи обнаружили, что всякий раз, когда нейронные сети делают похожие прогнозы, они близки к правильному ответу.

“Мы обнаружили, что не нужно проверять каждый ответ с помощью более медленной стандартной вычислительной модели”, – сказала Ю. “Мы по сути использовали ‘мудрость толпы’ вместо этого”.

После того, как модель машинного обучения была достаточно обучена, биomedical исследователи использовали ее на биологической цепи. Было использовано 100 000 симуляций данных, чтобы обучить нейронную сеть. Из всех этих симуляций только одна произвела бактериальную колонию с тремя кольцами, но они также смогли определить определенные переменные, которые были важны.

“Нейронная сеть смогла найти закономерности и взаимодействия между переменными, которые были бы иначе невозможны для обнаружения”, – сказал Ван.

Чтобы завершить исследование, исследователи протестировали его на биологической системе, которая работает случайным образом. Традиционно они бы должны были использовать компьютерную модель, которая повторяет определенные параметры несколько раз, пока не определит наиболее вероятный результат. Новая система смогла сделать это, и она показала, что она может быть применена к различным сложным биологическим системам.

Биomedical исследователи теперь обратились к более сложным биологическим системам и работают над разработкой алгоритма, чтобы сделать его еще более эффективным.

“Мы обучили нейронную сеть с 100 000 наборов данных, но это, возможно, было лишним”, – сказал Ван. “Мы разрабатываем алгоритм, где нейронная сеть может взаимодействовать с симуляциями в реальном времени, чтобы помочь ускорить процесс”.

“Наша первая цель была относительно простой системой”, – сказала Ю. “Теперь мы хотим улучшить эти системы нейронных сетей, чтобы предоставить окно в основную динамику более сложных биологических цепей”.