Biomedicinska ingenjörer tillämpar maskinlärning på biologiska kretsar

Biomedicinska ingenjörer vid Duke University har lyckats hitta ett sätt att använda maskinlärning för att modellera interaktioner som sker mellan komplexa variabler i konstruerade bakterier. Traditionellt har denna typ av modellering varit för svår att slutföra, men dessa nya algoritmer kan användas inom flera olika biologiska system.

Den nya forskningen publicerades i tidskriften Nature Communications den 25 september.

De biomedicinska forskarna undersökte en biologisk krets som var inbäddad i en bakteriekultur, och de kunde förutsäga cirkulära mönster. Denna nya modellering var extremt snabbare än traditionella metoder. Specifikt var den 30 000 gånger snabbare än den nuvarande beräkningsmodellen.

För att vara mer exakt tränade forskarna maskinlärningsmodellen flera gånger. De jämförde svaren och använde den på ett andra biologiskt system. Det andra systemet var beräkningsmässigt annorlunda än det första, så algoritmen var inte begränsad till ett visst problem.

Lingchong You är professor i biomedicinsk teknik vid Duke.

“Detta arbete inspirerades av Google (GOOGL ) som visade att neuronnätverk kunde lära sig att slå en människa i brädspelet Go”, sa hon.

“Även om spelet har enkla regler, finns det alltför många möjligheter för en dator att beräkna det bästa nästa alternativet deterministiskt”, sa You. “Jag undrade om en sådan ansats kunde vara användbar för att hantera vissa aspekter av biologisk komplexitet som vi står inför.”

Studien använde 13 olika bakterievariabler, inklusive tillväxttakter, diffusion, proteindegradering och cellulär rörelse. En ensam dator skulle behöva minst 600 år för att beräkna sex värden per parameter, men det nya maskinlärningssystemet kan slutföra det på några timmar.

“Modellen vi använder är långsam eftersom den måste ta hänsyn till mellanliggande steg i tiden med en tillräckligt liten hastighet för att vara exakt”, sa Lingchong You. “Men vi bryr oss inte alltid om de mellanliggande stegen. Vi vill bara ha slutresultaten för vissa tillämpningar. Och vi kan gå tillbaka och ta reda på de mellanliggande stegen om vi hittar slutresultaten intressanta.”

Postdoktorand Shangying Wang använde ett djupt neuronnätverk som kan göra förutsägelser mycket snabbare än den ursprungliga modellen. Nätverket använder modellvariabler som indata och tilldelar slumpmässiga vikter och bias. Sedan gör det en förutsägelse om mönstret som bakteriekolonin kommer att följa.

Det första resultatet är inte korrekt, men nätverket ändrar något vikterna och biasen när det får ny träningsdata. När det har fått tillräckligt med träningsdata blir förutsägelserna mer exakta och förblir så.

Det fanns fyra olika neuronnätverk som tränades, och deras svar jämfördes. Forskarna upptäckte att när neuronnätverken gör liknande förutsägelser, var de nära det korrekta svaret.

“Vi upptäckte att vi inte behövde validera varje svar med den långsammare standardberäkningsmodellen”, sa You. “Vi använde i stället ‘visdomen i folkmassan’.”

Efter att maskinlärningsmodellen hade tränats tillräckligt, använde de biomedicinska forskarna den på en biologisk krets. Det användes 100 000 datasimuleringar för att träna neuronnätverket. Av alla dessa producerade bara en en bakteriekoloni med tre ringar, men de kunde också identifiera vissa variabler som var viktiga.

“Neuronnätverket kunde hitta mönster och interaktioner mellan variablerna som skulle ha varit omöjliga att upptäcka”, sa Wang.

För att avsluta studien testade forskarna den på ett biologiskt system som fungerar slumpmässigt. Traditionellt skulle de ha behövt använda en datormodell som upprepar vissa parametrar flera gånger tills den identifierar det mest sannolika resultatet. Det nya systemet kunde också göra detta och visade att det kan tillämpas på olika komplexa biologiska system.

De biomedicinska forskarna har nu vänt sig till mer komplexa biologiska system och arbetar på att utveckla algoritmen för att göra den ännu effektivare.

“Vi tränade neuronnätverket med 100 000 datasätt, men det kanske var överdrivet”, sa Wang. “Vi utvecklar en algoritm där neuronnätverket kan interagera med simuleringar i realtid för att hjälpa till att påskynda saker.”

“Vårt första mål var ett relativt enkelt system”, sa You. “Nu vill vi förbättra dessa neuronnätverkssystem för att ge en inblick i de underliggande dynamikerna i mer komplexa biologiska kretsar.”