Araştırmacılar Hücre Büyümesine Daha Derin Bir Bakış Kazanmak İçin Yapay Zekayı Kullanıyorlar

Tokyo Üniversitesi Endüstriyel Bilim Enstitüsü’ndeki bir grup bilim insanı, bir hücrenin büyüme ve bölünme sürecinde büyüklüğünü tahmin edebilen yeni bir makine öğrenimi algoritması tasarladı.

Ekibin yapay sinir ağı, bilgisayarın yalnızca biyolojide ortak varsayımlara dayanan yöntemlere göre daha doğru tahminler yapmasını sağlar. Ekibe göre, yeni gelişmeler, nicel biyoloji alanının ilerlemesine ve ilaçların endüstriyel üretimini iyileştirmeye yardımcı olabilir.

Biyoloji Alanı

Biyoloji alanı, diğer doğal bilim dalları gibi, gelecekteki olayları tahmin eden matematiksel modellere dayanır. Yaşayan sistemler ve biyolojik yaşam formları son derece karmaşık olduğundan, bu denklemler her zaman tam olarak güvenilmez. Genellikle basitleştirici varsayımlara dayanır, bu da gerçek biyolojik süreçleri yansıtmayabilir.

Bu nedenle, araştırmacılar ekibi, tek hücrelerin zaman içinde ölçülen büyüklüğünü kullanarak gelecekteki büyüklüğünü tahmin edebilen yeni makine öğrenimi algoritmasına yöneldi. Bilgisayar sisteminin en önemli avantajlarından biri, verideki kalıpları otomatik olarak tanımasıdır, bu da diğer geleneksel yöntemlerle sınırlı olmadığını anlamına gelir.

Atsushi Kamimura, araştırma makalesinin ilk yazarıdır.

“Biyolojide, genellikle ölçülen veriyi yeniden üretme kapasiteleri nedeniyle basit modeller kullanılır” diyor Kamimura. “Ancak modeller, insan ön yargıları nedeniyle gerçekten neler oluyor diye yakalamakta başarısız olabilirler.”

Veri Toplama

Çalışma, değişen sıcaklıklarda bir mikrofluidik kanalda tutulan bir Escherichia coli bakterisi veya bir Schizosaccharomyces pombe maya hücresinden toplanan verilerle gerçekleştirildi.

Büyüme grafiğinin, üssel büyümenin bölünme olayları tarafından kesintiye uğradığı için “testere dişi” gibi göründüğü tespit edildi. Geleneksel olarak, insan biyologları, hücrenin mutlak büyüklüğüne dayanan bir “boyutlandırıcı” modeli veya doğumundan bu yana büyüklük artışı temelinde bir “ekleyici” modeli kullanır. Bu modelleri, bölünmelerin ne zaman meydana geleceğini tahmin etmek için kullanirler.

Bilgisayar programı, “ekleyici” ilkesinin etkili olduğunu gösterdi, ancak bu ilkenin daha büyük ve daha karmaşık bir biyokimyasal reaksiyon ve sinyalleme sistemi’nin bir parçası olduğunu da buldu.

Tetsuya Kobayashi, makalenin kıdemli yazarıdır.

“Derin öğrenme sinir ağı, verilen verideki geçmişe bağlı deterministik faktörleri gürültüden etkili bir şekilde ayırabilir” diyor Kobayashi.

Ekibin bu yöntemin, yalnızca hücre büyüklüğü tahmin etmek için değil, biyolojinin diğer alanlarında da kullanılabileceğini söylüyor. Yaşam bilimi, insan modelleri yerine yapay zekaya giderek daha fazla güvenecek ve yapay zeka, mikroorganizmaları kontrol etmenin yeni ve verimli yollarını keşfedecek, bu da ürünlerin fermantasyonunda ve ilaç üretiminde büyük bir etkiye sahip olacak.