生物医学工程师将机器学习应用于生物电路

杜克大学生物医学工程师 已经找到了一种使用机器学习的方法来模拟工程细菌中复杂变量之间发生的相互作用。传统上，这种类型的建模很难完成，但这些新算法可以在多种不同类型的生物系统中使用。   

这项新研究发表在杂志上 自然通讯 在九月25。 

生物医学研究人员观察了嵌入细菌培养物中的生物回路，他们能够预测循环模式。 这种新的建模方法比传统方法要快得多。 具体来说，它比当前的计算模型快了 30,000 倍。 

为了更加准确，研究人员随后多次重新训练机器学习模型。 他们比较了答案并将其用于第二个生物系统。 第二个系统在计算上与第一个系统不同，因此算法不限于一组问题。 

尤令冲是杜克大学生物医学工程教授。 

“这项工作的灵感来自谷歌，谷歌展示了神经网络可以学会在棋盘游戏围棋中击败人类。” 她说。 

“尽管游戏规则很简单，但计算机有太多的可能性来确定性地计算出最佳的下一个选项，”尤说。 “我想知道这种方法是否有助于应对我们面临的生物复杂性的某些方面。”

该研究使用了 13 种不同的细菌变量，包括生长速率、扩散速率、蛋白质降解和细胞运动。 一台计算机至少需要 600 年才能计算每个参数的六个值，但新的机器学习系统可以在数小时内完成。 

“我们使用的模型速度很慢，因为它必须以足够小的速率及时考虑中间步骤才能准确，”尤令崇说。 “但我们并不总是关心中间步骤。 我们只想要某些应用程序的最终结果。 如果我们发现最终结果有趣，我们可以（返回）找出中间步骤。”

博士后 Wang Shangying Wang 使用了深度神经网络，该网络能够比原始模型更快地进行预测。 该网络使用模型变量作为输入，并分配随机权重和偏差。 然后，它对细菌菌落将遵循的模式进行预测。 

第一个结果不正确，但网络在获得新的训练数据时会稍微改变权重和偏差。 一旦有了足够的训练数据，预测就会变得更加准确并保持这种状态。 

训练了四种不同的神经网络，并对它们的答案进行了比较。 研究人员发现，每当神经网络做出类似的预测时，它们都接近正确答案。 

“我们发现我们不必使用较慢的标准计算模型来验证每个答案，”尤说。 “我们本质上是利用了‘群众的智慧’。”

机器学习模型经过充分训练后，生物医学研究人员将其用于生物电路。 使用了 100,000 个数据模拟来训练神经网络。 在所有这些中，只有一种产生了具有三个环的细菌菌落，但他们也能够识别某些重要的变量。 

“神经网络能够发现变量之间的模式和相互作用，否则这些是不可能发现的，”王说。

为了结束这项研究，研究人员在随机运行的生物系统上进行了测试。 传统上，他们必须使用计算机模型多次重复某些参数，直到确定最可能的结果。 新系统也能够做到这一点，并且表明它可以应用于各种不同的复杂生物系统。 

生物医学研究人员现在已经转向更复杂的生物系统，他们正在努力开发算法以提高效率。 

“我们用 100,000 个数据集训练神经网络，但这可能有点矫枉过正，”王说。 “我们正在开发一种算法，神经网络可以与模拟实时交互，以帮助加快速度。”

“我们的第一个目标是一个相对简单的系统，”尤说。 “现在我们希望改进这些神经网络系统，为了解更复杂的生物回路的潜在动态提供一个窗口。”