Біоінженери застосовують машинне навчання до біологічних контурів

Біоінженери університету Дюка знайшли спосіб використовувати машинне навчання для моделювання взаємодій, що відбуваються між складними змінними в інженерних бактеріях. Традиційно таке моделювання було надто складним, але ці нові алгоритми можна використовувати в різних біологічних системах.

Нова дослідження була опублікована в журналі Nature Communications 25 вересня.

Біомедичні дослідники розглянули біологічний контур, вбудований в бактеріальну культуру, і змогли передбачити кругові закономірності. Цей новий спосіб моделювання був значно швидшим, ніж традиційні методи. Зокрема, він був у 30 000 разів швидшим, ніж поточна комп’ютерна модель.

Для підвищення точності дослідники потім повторно тренували модель машинного навчання кілька разів. Вони порівняли відповіді та використали її на другій біологічній системі. Друга система була обчислювально різною від першої, тому алгоритм не був обмежений однією сукупністю проблем.

Лінчонг Ю – професор біомедичної інженерії в університеті Дюка.

“Ця робота була надихнута тим, що Google (GOOGL ) показала, що нейронні мережі можуть вивчити, як перемогти людину в настільній грі Го”, – сказала вона.

“Хоча гра має прості правила, існує надто багато можливостей для того, щоб комп’ютер міг обчислити найкращий наступний варіант детермініровано”, – сказала Ю. “Я запитала себе, чи такий підхід може бути корисним у справі певних аспектів біологічної складності, з якою ми зіштовхуємося”.

Дослідження використовувало 13 різних бактеріальних змінних, включаючи швидкість росту, дифузію, розклад білків та рух клітин. Один комп’ютер потребував би щонайменше 600 років, щоб обчислити шість значень на параметр, але нова система машинного навчання може зробити це за кілька годин.

“Модель, яку ми використовуємо, повільна, оскільки вона повинна враховувати проміжні кроки в часі з достатньо малим кроком, щоб бути точною”, – сказала Лінчонг Ю. “Але ми не завжди дбаємо про проміжні кроки. Нас цікавлять лише кінцеві результати для певних застосунків. І ми можемо повернутися, щоб розібратися в проміжних кроках, якщо ми вважаємо кінцеві результати цікавими”.

Постдокторант Шан’їн Ван використовував глибоку нейронну мережу, яка може робити передбачення значно швидше, ніж оригінальна модель. Мережа використовує змінні моделі як вхідні дані та призначає випадкові ваги та зміщення. Потім вона робить передбачення щодо закономірності, яку буде слідувати бактеріальна колонія.

Перший результат не є правильним, але мережа трохи змінює ваги та зміщення, коли їй надаються нові навчальні дані. Як тільки буде достатньо навчальних даних, передбачення стануть більш точними та залишаться такими.

Було чотири різні нейронні мережі, які були треновані, та їхні відповіді були порівняні. Дослідники виявили, що коли нейронні мережі роблять подібні передбачення, вони близькі до правильної відповіді.

“Ми виявили, що не потрібно валідувати кожну відповідь повільнішою стандартною обчислювальною моделлю”, – сказала Ю. “Ми фактично використали ‘мудрість натовпу’ замість цього”.

Після того, як модель машинного навчання була достатньо тренована, біомедичні дослідники використали її на біологічному контурі. Було використано 100 000 даних симуляцій для тренування нейронної мережі. З усіх цих даних лише один дав бактеріальну колонію з трьома кільцями, але вони також змогли ідентифікувати певні змінні, які були важливими.

“Нейронна мережа змогла знайти закономірності та взаємодії між змінними, які були б інакше неможливі для виявлення”, – сказав Ван.

Для завершення дослідження дослідники протестували його на біологічній системі, яка працює випадково. Традиційно вони мали б використовувати комп’ютерну модель, яка повторює певні параметри кілька разів, поки не ідентифікує найбільш імовірний результат. Нова система змогла зробити це також, і вона показала, що її можна застосовувати до різних складних біологічних систем.

Біомедичні дослідники тепер перейшли до більш складних біологічних систем і працюють над розробкою алгоритму для підвищення його ефективності.

“Ми тренували нейронну мережу з 100 000 наборів даних, але це, можливо, було надмірним”, – сказав Ван. “Ми розробляємо алгоритм, де нейронна мережа може взаємодіяти з симуляціями в режимі реального часу, щоб допомогти прискорити процес”.

“Наша перша мета була відносно простою системою”, – сказала Ю. “Тепер ми хочемо покращити ці системи нейронних мереж, щоб надати вікно у підлягаючу динаміку більш складних біологічних контурів”.