Biomedicínski inžinieri aplikujú strojové učenie na biologické obvody

Biomedicínski inžinieri na Duke University prišli na spôsob, ako využiť strojové učenie na modelovanie interakcií, ktoré prebiehajú medzi komplexnými premennými v umelo vytvorených baktériách. Tradične bolo ťažké dokončiť tento typ modelovania, ale tieto nové algoritmy možno použiť v rámci viacerých rôznych typov biologických systémov.   

Nový výskum bol publikovaný v časopise Nature Communications na september 25. 

Biomedicínski výskumníci sa pozreli na biologický okruh, ktorý bol vložený do bakteriálnej kultúry, a dokázali predpovedať kruhové vzory. Tento nový spôsob modelovania bol extrémne rýchlejší ako tradičné metódy. Konkrétne bol 30,000 XNUMX-krát rýchlejší ako súčasný výpočtový model. 

Aby bol presnejší, výskumníci potom niekoľkokrát preškolili model strojového učenia. Porovnali odpovede a použili to na druhom biologickom systéme. Druhý systém bol výpočtovo odlišný od prvého, takže algoritmus nebol obmedzený na jeden súbor problémov. 

Lingchong You je profesorom biomedicínskeho inžinierstva na Duke. 

"Táto práca bola inšpirovaná spoločnosťou Google, ktorá ukazuje, že neurónové siete sa môžu naučiť poraziť človeka v stolovej hre Go." povedala. 

„Aj keď má hra jednoduché pravidlá, počítač má príliš veľa možností, ako deterministicky vypočítať najlepšiu ďalšiu možnosť,“ povedal si. "Premýšľal som, či by takýto prístup mohol byť užitočný pri zvládaní určitých aspektov biologickej zložitosti, ktorým čelíme."

Štúdia použila 13 rôznych bakteriálnych premenných vrátane rýchlosti rastu, difúzie, degradácie proteínov a bunkového pohybu. Jeden počítač by potreboval najmenej 600 rokov na výpočet šiestich hodnôt na parameter, ale nový systém strojového učenia to dokáže dokončiť za hodiny. 

„Model, ktorý používame, je pomalý, pretože musí brať do úvahy medzikroky v čase dostatočne malým tempom, aby bol presný,“ povedal Lingchong You. „Ale nie vždy nám záleží na medzikrokoch. Chceme len konečné výsledky pre určité aplikácie. A môžeme (vrátiť sa späť) vymyslieť medzikroky, ak sa nám konečné výsledky budú zdať zaujímavé.“

Postdoktorandský spolupracovník Shangying Wang použil hlbokú neurónovú sieť, ktorá je schopná predpovedať oveľa rýchlejšie ako pôvodný model. Sieť používa ako vstup premenné modelu a priraďuje náhodné váhy a odchýlky. Potom urobí predpoveď týkajúcu sa vzoru, ktorý bude bakteriálna kolónia nasledovať. 

Prvý výsledok nie je správny, ale sieť mierne mení váhy a odchýlky, pretože dostáva nové tréningové údaje. Akonáhle bude dostatok tréningových údajov, predpovede budú presnejšie a zostanú tak. 

Trénovali sa štyri rôzne neurónové siete a ich odpovede sa porovnávali. Vedci zistili, že vždy, keď neurónové siete robia podobné predpovede, boli blízko správnej odpovede. 

„Zistili sme, že nemusíme overovať každú odpoveď pomocou pomalšieho štandardného výpočtového modelu,“ povedal You. "V podstate sme namiesto toho použili 'múdrosť davu'."

Keď bol model strojového učenia dostatočne vyškolený, biomedicínski výskumníci ho použili na biologickom okruhu. Na trénovanie neurónovej siete bolo použitých 100,000 XNUMX dátových simulácií. Zo všetkých len jedna vytvorila bakteriálnu kolóniu s tromi krúžkami, ale boli tiež schopní identifikovať určité premenné, ktoré boli dôležité. 

„Neurónová sieť dokázala nájsť vzory a interakcie medzi premennými, ktoré by inak nebolo možné odhaliť,“ povedal Wang.

Aby sa štúdia uzavrela, výskumníci ju otestovali na biologickom systéme, ktorý funguje náhodne. Tradične by museli použiť počítačový model, ktorý opakuje určité parametre viackrát, kým neidentifikuje najpravdepodobnejší výsledok. Nový systém to dokázal tiež a ukázal, že sa dá aplikovať na rôzne rôzne zložité biologické systémy. 

Biomedicínski výskumníci sa teraz obrátili na zložitejšie biologické systémy a pracujú na vývoji algoritmu, aby sa stal ešte efektívnejší. 

"Trénovali sme neurónovú sieť so 100,000 XNUMX súbormi údajov, ale to by mohlo byť prehnané," povedal Wang. "Vyvíjame algoritmus, v ktorom môže neurónová sieť interagovať so simuláciami v reálnom čase, aby pomohla veci urýchliť."

„Naším prvým cieľom bol relatívne jednoduchý systém,“ povedal You. "Teraz chceme vylepšiť tieto systémy neurónových sietí, aby sme poskytli okno do základnej dynamiky zložitejších biologických obvodov."