วิศวกรชีวการแพทย์ใช้การเรียนรู้ของเครื่องจักรเพื่อสร้างวงจรชีวภาพ

วิศวกรชีวการแพทย์จากมหาวิทยาลัย Duke ได้ค้นพบวิธีการใช้การเรียนรู้ของเครื่องจักรเพื่อสร้างแบบจำลองการโต้ตอบระหว่างตัวแปรที่ซับซ้อนในแบคทีเรียที่ถูกออกแบบมา โดยทั่วไป การสร้างแบบจำลองประเภทนี้มีความยาก แต่アルゴリท์มใหม่นี้สามารถใช้ได้กับระบบชีวภาพหลายประเภท

การวิจัยใหม่นี้ได้รับการตีพิมพ์ในวารสาร Nature Communications เมื่อวันที่ 25 กันยายน

นักวิจัยชีวการแพทย์ได้ศึกษาวงจรชีวภาพที่ฝังอยู่ในแบคทีเรียและสามารถคาดการณ์รูปแบบวงกลมได้ วิธีการสร้างแบบจำลองใหม่นี้เร็วกว่าวิธีการแบบเดิมมาก โดยเฉพาะอย่างยิ่ง มันเร็วกว่าแบบจำลองการคำนวณปัจจุบันถึง 30,000 เท่า

เพื่อเพิ่มความแม่นยำ นักวิจัยได้ฝึกอบรมแบบจำลองการเรียนรู้ของเครื่องจักรหลายครั้ง พวกเขาเปรียบเทียบคำตอบและใช้มันในระบบชีวภาพที่สอง ระบบที่สองนี้แตกต่างจากระบบแรกในด้านการคำนวณ ดังนั้นアルゴリท์มจึงไม่จำกัดอยู่เพียงปัญหาเดียว

Lingchong You เป็นศาสตราจารย์ด้านวิศวกรรมชีวการแพทย์จากมหาวิทยาลัย Duke

“งานนี้ได้รับแรงบันดาลใจจาก Google (GOOGL ) ที่แสดงให้เห็นว่าเครือข่ายประสาทสามารถเรียนรู้เพื่อชนะเกม Go ได้” เธอกล่าว

“แม้ว่าเกมจะมีกฎที่ง่าย แต่มีความเป็นไปได้มากเกินไปสำหรับคอมพิวเตอร์ที่จะคำนวณตัวเลือกที่ดีที่สุดในลักษณะที่แน่นอน” You กล่าว “ฉันสงสัยว่าแนวทางนี้สามารถใช้ได้หรือไม่ในการจัดการกับบางแง่มุมของความซับซ้อนของชีวภาพที่เราเผชิญ”

การศึกษานี้ใช้ตัวแปรแบคทีเรีย 13 ตัว รวมถึงอัตราการเติบโต การแพร่กระจาย การย่อยสลายโปรตีน และการเคลื่อนที่ของเซลล์ คอมพิวเตอร์เครื่องเดียวจะต้องใช้เวลาอย่างน้อย 600 ปีในการคำนวณหกค่าสำหรับตัวแปรแต่ละตัว แต่ระบบการเรียนรู้ของเครื่องจักรใหม่นี้สามารถทำได้ภายในไม่กี่ชั่วโมง

“แบบจำลองที่เรใช้ทำงานช้าเพราะต้องคำนึงถึงขั้นตอนกลางในเวลาในอัตราที่เพียงพอเพื่อให้ได้ความแม่นยำ” Lingchong You กล่าว “แต่เราไม่จำเป็นต้องสนใจขั้นตอนกลางเสมอไป เราต้องการเฉพาะผลลัพธ์สุดท้ายสำหรับการใช้งานบางอย่าง และเราสามารถกลับไปค้นหาขั้นตอนกลางได้หากเราพบผลลัพธ์สุดท้ายที่น่าสนใจ”

Shangying Wang ผู้ช่วยหลังปริญญาเอกใช้เครือข่ายประสาทลึกที่สามารถทำนายได้เร็วกว่าแบบจำลองเดิม เครือข่ายนี้ใช้ตัวแปรแบบจำลองเป็นข้อมูลเข้า และมอบน้ำหนักและความเอนเอียงแบบสุ่ม จากนั้น มันทำนายรูปแบบที่โคโลนีแบคทีเรียจะปฏิบัติตาม

ผลลัพธ์แรกไม่ถูกต้อง แต่เครือข่ายเปลี่ยนน้ำหนักและความเอนเอียงเล็กน้อยเมื่อมีการฝึกอบรมข้อมูลใหม่ เมื่อมีการฝึกอบรมข้อมูลเพียงพอ การทำนายจะ变得แม่นยำและคงไว้

มีเครือข่ายประสาทสี่เครือข่ายที่ถูกฝึกอบรมและคำตอบของมันถูกเปรียบเทียบ นักวิจัยพบว่าเมื่อเครือข่ายประสาททำนายผลลัพธ์ที่คล้ายกัน มันจะอยู่ใกล้กับคำตอบที่ถูกต้อง

“เราไม่ต้องตรวจสอบคำตอบแต่ละข้อด้วยแบบจำลองการคำนวณมาตรฐานที่ช้ากว่า” You กล่าว “เราใช้ ‘ความฉลาดของฝูงชน’ แทน”

หลังจากที่แบบจำลองการเรียนรู้ของเครื่องจักรได้รับการฝึกอบรมเพียงพอ นักวิจัยชีวการแพทย์ได้ใช้มันในวงจรชีวภาพ มีการใช้การจำลองข้อมูล 100,000 ครั้งในการฝึกอบรมเครือข่ายประสาท จากจำนวนนั้น มีเพียงหนึ่งครั้งที่ผลิตโคโลนีแบคทีเรียที่มีสามวง แต่ก็สามารถระบุตัวแปรที่สำคัญได้

“เครือข่ายประสาทสามารถค้นหารูปแบบและความสัมพันธ์ระหว่างตัวแปรที่จะไม่สามารถค้นพบได้ด้วยวิธีอื่น” Wang กล่าว

เพื่อสรุปการศึกษา นักวิจัยได้ทดสอบมันในระบบชีวภาพที่ทำงานแบบสุ่ม โดยทั่วไป จะต้องใช้แบบจำลองคอมพิวเตอร์ที่ทำซ้ำพารามิเตอร์หลายครั้งจนกว่าจะพบผลลัพธ์ที่เป็นไปได้มากที่สุด ระบบใหม่นี้สามารถทำได้เช่นกัน และแสดงให้เห็นว่ามันสามารถใช้ได้กับระบบชีวภาพที่ซับซ้อนหลายประเภท

นักวิจัยชีวการแพทย์กำลังทำงานในระบบชีวภาพที่ซับซ้อนกว่านี้ และกำลังพัฒนาアルゴリท์มเพื่อให้ได้ประสิทธิภาพมากขึ้น

“เราได้ฝึกอบรมเครือข่ายประสาทด้วยชุดข้อมูล 100,000 ชุด แต่อาจจะมากเกินไป” Wang กล่าว “เรากำลังพัฒนาアルゴリท์มที่เครือข่ายประสาทสามารถโต้ตอบกับการจำลองในเวลาเรียลไทม์เพื่อช่วยให้เร็วขึ้น”

“เป้าหมายแรกของเราคือระบบที่เรียบง่าย” You กล่าว “ตอนนี้เราต้องการปรับปรุงระบบเครือข่ายประสาทเหล่านี้เพื่อให้ได้หน้าต่างที่ดีขึ้นเกี่ยวกับพลวัตที่ซ่อนอยู่ของวงจรชีวภาพที่ซับซ้อนกว่านี้”