Các Kỹ sư Y sinh Áp dụng Học máy vào Mạch Sinh học

Các kỹ sư y sinh tại Đại học Duke đã tìm ra cách sử dụng học máy để mô hình hóa các tương tác giữa các biến số phức tạp trong vi khuẩn được thiết kế. Thông thường, loại mô hình hóa này rất khó để hoàn thành, nhưng các thuật toán mới này có thể được sử dụng trong nhiều loại hệ thống sinh học khác nhau.

Nghiên cứu mới này được công bố trên tạp chí Nature Communications vào ngày 25 tháng 9.

Các nhà nghiên cứu y sinh đã xem xét một mạch sinh học được nhúng vào một loại vi khuẩn và họ đã có thể dự đoán các mẫu hình tròn. Phương pháp mô hình hóa mới này nhanh hơn rất nhiều so với các phương pháp truyền thống. Cụ thể, nó nhanh hơn 30.000 lần so với mô hình tính toán hiện tại.

Để tăng độ chính xác, các nhà nghiên cứu sau đó đã đào tạo lại mô hình học máy nhiều lần. Họ so sánh các câu trả lời và sử dụng nó trên một hệ thống sinh học thứ hai. Hệ thống thứ hai khác biệt về mặt tính toán so với hệ thống đầu tiên, vì vậy thuật toán không bị giới hạn trong một tập hợp các vấn đề.

Lingchong You là giáo sư kỹ thuật y sinh tại Duke.

“Công việc này được truyền cảm hứng từ Google (GOOGL ) khi họ chứng minh rằng mạng nơ-ron có thể học cách đánh bại con người trong trò chơi cờ Go”, cô nói.

“Mặc dù trò chơi có quy tắc đơn giản, nhưng có quá nhiều khả năng cho một máy tính tính toán lựa chọn tốt nhất một cách quyết định”, You nói. “Tôi tự hỏi liệu phương pháp này có thể hữu ích trong việc đối phó với một số khía cạnh của sự phức tạp sinh học mà chúng ta đang đối mặt.”

Nghiên cứu sử dụng 13 biến số vi khuẩn khác nhau, bao gồm tốc độ tăng trưởng, khuếch tán, suy giảm protein và chuyển động tế bào. Một máy tính đơn lẻ sẽ cần ít nhất 600 năm để tính toán sáu giá trị cho mỗi tham số, nhưng hệ thống học máy mới có thể hoàn thành việc này trong vài giờ.

“Mô hình chúng tôi sử dụng là chậm vì nó phải tính đến các bước trung gian trong thời gian với tốc độ đủ nhỏ để chính xác”, Lingchong You nói. “Nhưng chúng tôi không luôn quan tâm đến các bước trung gian. Chúng tôi chỉ muốn kết quả cuối cùng cho một số ứng dụng nhất định. Và chúng tôi có thể (trở lại) tìm ra các bước trung gian nếu chúng tôi thấy kết quả cuối cùng thú vị.”

Nghiên cứu sinh sau tiến sĩ Shangying Wang sử dụng một mạng nơ-ron sâu có thể dự đoán nhanh hơn nhiều so với mô hình ban đầu. Mạng sử dụng các biến số mô hình làm đầu vào và gán trọng số và偏差 ngẫu nhiên. Sau đó, nó dự đoán mẫu mà khuẩn lạc vi khuẩn sẽ theo dõi.

Kết quả đầu tiên không chính xác, nhưng mạng slightly thay đổi trọng số và偏差 khi nó được cung cấp dữ liệu đào tạo mới. Một khi đã có đủ dữ liệu đào tạo, dự đoán sẽ trở nên chính xác hơn và duy trì như vậy.

Có bốn mạng nơ-ron được đào tạo và các câu trả lời của chúng được so sánh. Các nhà nghiên cứu phát hiện ra rằng mỗi khi các mạng nơ-ron đưa ra dự đoán tương tự, chúng gần với câu trả lời chính xác.

“Chúng tôi phát hiện ra rằng chúng tôi không cần phải xác nhận mỗi câu trả lời với mô hình tính toán chuẩn chậm hơn”, You nói. “Chúng tôi sử dụng ‘trí tuệ của đám đông’ thay vào đó.”

Sau khi mô hình học máy được đào tạo đủ, các nhà nghiên cứu y sinh đã sử dụng nó trên một mạch sinh học. Họ đã sử dụng 100.000 mô phỏng dữ liệu để đào tạo mạng nơ-ron. Trong số tất cả những mô phỏng đó, chỉ có một mô phỏng tạo ra một khuẩn lạc vi khuẩn với ba vòng, nhưng họ cũng có thể xác định một số biến số quan trọng.

“Mạng nơ-ron có thể tìm thấy các mẫu và tương tác giữa các biến số mà sẽ không thể khám phá được nếu không”, Wang nói.

Để kết thúc nghiên cứu, các nhà nghiên cứu đã thử nghiệm nó trên một hệ thống sinh học hoạt động ngẫu nhiên. Thông thường, họ sẽ phải sử dụng một mô hình máy tính lặp lại các tham số nhiều lần cho đến khi nó xác định được kết quả có khả năng nhất. Hệ thống mới có thể thực hiện việc này và nó cho thấy rằng nó có thể được áp dụng cho nhiều hệ thống sinh học phức tạp khác nhau.

Các nhà nghiên cứu y sinh hiện đang tập trung vào các hệ thống sinh học phức tạp hơn và họ đang làm việc trên việc phát triển thuật toán để trở nên hiệu quả hơn.

“Chúng tôi đã đào tạo mạng nơ-ron với 100.000 bộ dữ liệu, nhưng điều đó có thể là quá mức”, Wang nói. “Chúng tôi đang phát triển một thuật toán nơi mạng nơ-ron có thể tương tác với mô phỏng trong thời gian thực để giúp tăng tốc quá trình.”

“Mục tiêu đầu tiên của chúng tôi là một hệ thống tương đối đơn giản”, You nói. “Bây giờ chúng tôi muốn cải thiện các hệ thống mạng nơ-ron này để cung cấp một cửa sổ vào các động lực cơ bản của các mạch sinh học phức tạp hơn.”