生物医学工程师将机器学习应用于生物电路

杜克大学的生物医学工程师已经找到了一种方法，利用机器学习来模拟复杂变量在工程细菌中的相互作用。传统上，这种类型的建模非常困难，但这些新算法可以应用于多种不同类型的生物系统。

这项新研究于9月25日发表在《自然通信》杂志上。

生物医学研究人员研究了一种嵌入细菌培养物中的生物电路，并能够预测环形图案。这种新的建模方法比传统方法快得多。具体来说，它比当前的计算模型快了30,000倍。

为了提高准确性，研究人员多次重新训练机器学习模型。他们比较了答案，并将其应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，因此算法不仅限于一组问题。

林冲（Lingchong You）是杜克大学生物医学工程教授。

“这项工作的灵感来自谷歌展示的神经网络可以在围棋游戏中击败人类，”她说。

“尽管游戏规则简单，但计算机要计算出最佳的下一步选择的可能性太多了，”林冲说。“我想知道这种方法是否可以帮助我们应对生物复杂性中的某些方面。”

这项研究使用了13个不同的细菌变量，包括生长率、扩散、蛋白质降解和细胞运动。单个计算机需要至少600年才能计算出每个参数的六个值，但新的机器学习系统可以在几小时内完成。

“我们使用的模型很慢，因为它必须考虑到时间中的中间步骤，以确保准确性，”林冲说。“但是我们并不总是关心中间步骤。我们只想要某些应用的最终结果。如果我们发现最终结果很有趣，我们可以回去找出中间步骤。”

博士后研究员王尚英使用了一个深度神经网络，可以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图案进行预测。

第一次结果不正确，但网络会在获得新训练数据时稍微改变权重和偏差。经过足够的训练数据后，预测将变得更加准确并保持下去。

训练了四个不同的神经网络，并比较了它们的答案。研究人员发现，当神经网络做出相似的预测时，它们很接近正确答案。

“我们发现我们不需要用较慢的标准计算模型来验证每个答案，”林冲说。“我们基本上使用了‘众智’的方法。”

在机器学习模型得到充分训练后，生物医学研究人员将其应用于生物电路。他们使用了100,000个数据模拟来训练神经网络。在所有这些中，只有一个产生了具有三个环的细菌菌落，但他们也能够确定某些重要的变量。

“神经网络能够找到变量之间的模式和相互作用，这些模式和相互作用在其他情况下将不可能被发现，”王尚英说。

为了完成这项研究，研究人员在一个随机操作的生物系统上测试了它。传统上，他们需要使用一个计算模型，该模型重复某些参数，直到找到最可能的结果。新的系统也能够做到这一点，并表明它可以应用于各种复杂的生物系统。

生物医学研究人员现在已经转向更复杂的生物系统，并正在努力开发算法，使其更加高效。

“我们用100,000个数据集训练了神经网络，但这可能是过度了，”王尚英说。“我们正在开发一个算法，使神经网络能够实时与模拟交互，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，”林冲说。“现在我们想改进这些神经网络系统，以提供对更复杂的生物电路的底层动态的窗口。”