Biyomedikal Mühendisler Biyolojik Devrelerde Makine Öğrenimi Uyguluyor

Duke Üniversitesi’nden biyomedikal mühendisler, mühendislik bakterilerindeki karmaşık değişkenler arasındaki etkileşimleri modellemek için makine öğrenimini kullanmanın bir yolunu buldular. Geleneksel olarak, bu tür modelleme çok zor oldu, ancak bu yeni algoritmalar çeşitli biyolojik sistemlerde kullanılabilir.

Yeni araştırma 25 Eylül’de Nature Communications dergisinde yayımlandı.

Biyomedikal araştırmacılar, bir bakteri kültürüne gömülü bir biyolojik devre baktı ve dairesel kalıpları öngörme yeteneğine sahipti. Bu yeni modelleme yöntemi geleneksel yöntemlerden çok daha hızlıydı. Özellikle, mevcut hesaplamalı modelden 30.000 kat daha hızlıydı.

Daha doğru olmak için araştırmacılar, makine öğrenimi modelini birden fazla kez yeniden eğittiler. Cevapları karşılaştırdılar ve ikinci bir biyolojik sisteme uyguladılar. İkinci sistem, ilkından hesaplamalı olarak farklıydı, böylece algoritma tek bir sorun setine sınırlı değildi.

Lingchong You, Duke Üniversitesi’nde biyomedikal mühendislik profesörüdür.

“Bu çalışma, Google’ın nöral ağların bir insanı Go oyununda yenebileceğini göstermesiyle ilhamlandı” dedi.

“Oyun basit kurallara sahip olsa da, bir bilgisayar için en iyi sonraki seçeneği deterministik olarak hesaplamak için çok fazla olasılık vardır” dedi You. “Bu tür bir yaklaşımın, karşılaştığımız belirli biyolojik karmaşıklık yönleriyle başa çıkmada faydalı olabileceğini merak ettim.”

Çalışma, büyüme oranları, difüzyon, protein bozunması ve hücre hareketi dahil 13 farklı bakteri değişkenini kullandı. Tek bir bilgisayar, her parametre için en az 600 yıl sürecek altı değer hesaplamak için yeterli olurdu, ancak yeni makine öğrenimi sistemi bunu saatler içinde tamamlayabilir.

“Kullandığımız model yavaş çünkü zaman içinde yeterli küçük bir oranda ara adımları hesaba katmak zorunda” dedi Lingchong You. “Ama her zaman ara adımları önemsemiyoruz. Sadece belirli uygulamalar için son sonuçları istiyoruz. Ve son sonuçlar ilginç gelirse, ara adımları geri dönebiliriz.”

Doktora sonrası araştırma görevlisi Shangying Wang, orijinal modelden çok daha hızlı tahminler yapabilen bir derin nöral ağ kullandı. Ağ, model değişkenlerini girdi olarak kullanır ve rastgele ağırlıklar ve yanlılıklar atar. Ardından, bakteri kolonisinin izleyeceği kalıp hakkında bir tahminde bulunur.

İlk sonuç doğru değildir, ancak ağ, yeni eğitim verilerine sahip olduğunda ağırlıkları ve yanlılıkları slightly değiştirir. Yeterli eğitim verisi olduktan sonra, tahminler daha doğru hale gelir ve öyle kalır.

Dört farklı nöral ağ eğitildi ve cevapları karşılaştırıldı. Araştırmacılar, nöral ağların benzer tahminlerde bulunduğunda, doğru cevaba yakın olduklarını keşfettiler.

“Her cevabı daha yavaş standart hesaplamalı modelle doğrulamak zorunda olmadığını keşfettik” dedi You. “Aslında ‘kalabalığın bilgesi’ni kullandık.”

Makine öğrenimi modeli yeterince eğitildikten sonra, biyomedikal araştırmacılar bir biyolojik devre üzerinde kullandı. 100.000 veri simülasyonu, nöral ağı eğitmek için kullanıldı. Bunların tümünden sadece biri, üç halkalı bir bakteri kolonisi üretti, ancak belirli değişkenlerin önemli olduğunu da belirlediler.

“Nöral ağ, değişkenler arasındaki kalıpları ve etkileşimleri, başka türlü keşfedilmesi imkansız olan şekilde bulabildi” dedi Wang.

Çalışmayı tamamlamak için araştırmacılar, rastgele çalışan bir biyolojik sisteme uyguladılar. Geleneksel olarak, belirli parametreleri tekrar tekrar tekrarlayan bir bilgisayar modeli kullanmak zorunda kalırlardı. Yeni sistem de bunu yapabildi ve çeşitli karmaşık biyolojik sistemlere uygulanabileceğini gösterdi.

Biyomedikal araştırmacılar artık daha karmaşık biyolojik sistemlere yöneldiler ve algoritmayı daha da verimli hale getirmek için çalışıyorlar.

“100.000 veri setiyle nöral ağı eğittik, ancak bu fazla olabilir” dedi Wang. “Simülasyonlarla gerçek zamanlı olarak etkileşime girebilen bir nöral ağ algoritması geliştiriyoruz, böylece işleri hızlandırabiliyoruz.”

“İlk hedefimiz oldukça basit bir sistemdi” dedi You. “Şimdi bu nöral ağ sistemlerini, daha karmaşık biyolojik devrelerin altındaki dinamikleri anlamak için bir pencere sağlamak amacıyla geliştirmek istiyoruz.”