يتنبأ التعلم الآلي بسلوك الدوائر البيولوجية


ابتكر مهندسو الطب الحيوي بجامعة ديوك منهجًا للتعلم الآلي لنمذجة التفاعلات بين المتغيرات المعقدة في البكتيريا المهندسة والتي قد تكون مرهقة بدرجة يصعب التنبؤ بها. خوارزمياتها قابلة للتعميم لأنواع كثيرة من النظم البيولوجية.

في الدراسة الجديدة ، قام الباحثون بتدريب شبكة عصبية للتنبؤ بالأنماط الدائرية التي سيتم إنشاؤها بواسطة دارة بيولوجية مدمجة في ثقافة بكتيرية. لقد عمل النظام أسرع بـ 30،000 مرة من النموذج الحسابي الحالي.

لتحسين الدقة ، ابتكر الفريق طريقة لإعادة تدريب نموذج التعلم الآلي عدة مرات لمقارنة إجاباتهم. ثم استخدموه لحل نظام بيولوجي ثانٍ يتطلب حسابًا بطريقة مختلفة ، مما يدل على أن الخوارزمية يمكنها أن تعمل لمواجهة تحديات متباينة.

تظهر النتائج عبر الإنترنت في 25 سبتمبر في مجلة Nature Communications .

وقال Lingchong You ، أستاذ الهندسة الطبية الحيوية في ديوك: "لقد استلهم هذا العمل من Google وهو يبين أن الشبكات العصبية يمكن أن تتعلم التغلب على الإنسان في لعبة Go".

"على الرغم من أن اللعبة لديها قواعد بسيطة ، إلا أن هناك الكثير من الاحتمالات لجهاز الكمبيوتر لحساب أفضل خيار قاطع" ، كما قلت. "تساءلت عما إذا كان هذا النهج يمكن أن يكون مفيدًا في التعامل مع جوانب معينة من التعقيد البيولوجي التي تواجهنا".

كان التحدي الذي يواجهك أنت وزميله بعد الدكتوراه شانجينغ وانغ هو تحديد مجموعة المعلمات التي يمكن أن تنتج نمطًا محددًا في ثقافة البكتيريا بعد دائرة الجينات المهندسة.

في عملك السابق ، أنت مختبر للبكتيريا المبرمجة لإنتاج بروتينات تتفاعل مع بعضها البعض ، حسب خصوصيات نمو الثقافة ، لتكوين حلقات. من خلال التحكم في متغيرات مثل حجم بيئة النمو وكمية المواد الغذائية المقدمة ، وجد الباحثون أنهم يستطيعون التحكم في سمك الحلقة ، والوقت الذي استغرقته لتظهر وغيرها من الخصائص.

من خلال تغيير أي عدد من العشرات من المتغيرات المحتملة ، اكتشف الباحثون أن بإمكانهم فعل المزيد ، مثل التسبب في تكوين حلقتين أو حتى ثلاث حلقات. ولكن نظرًا لأن محاكاة كمبيوتر واحدة استغرقت خمس دقائق ، فقد أصبح من غير العملي البحث في أي مساحة تصميم كبيرة للحصول على نتيجة محددة.

لدراستهم ، يتكون النظام من 13 متغيرات بكتيرية مثل معدلات النمو والانتشار وتدهور البروتين والحركة الخلوية. فقط لحساب ست قيم لكل معلمة سيستغرق كمبيوتر واحد أكثر من 600 سنة. إن تشغيله على مجموعة كمبيوتر متوازية مع مئات العقد قد يقلل من وقت التشغيل إلى عدة أشهر ، لكن التعلم الآلي يمكن أن يقطعها إلى ساعات.

"إن النموذج الذي نستخدمه بطيء لأنه يجب أن يأخذ في الاعتبار الخطوات المتوسطة في الوقت المناسب بمعدل صغير يكفي ليكون دقيقًا" ، قال You You. "لكننا لا نهتم دائمًا بالخطوات الوسيطة. نريد فقط النتائج النهائية لبعض التطبيقات. ويمكننا (الرجوع إلى) تحديد الخطوات الوسيطة إذا وجدنا أن النتائج النهائية مثيرة للاهتمام."

للانتقال إلى النتائج النهائية ، تحولت وانج إلى نموذج للتعلم الآلي يسمى شبكة عصبية عميقة يمكنها أن تجعل طلبات التنبؤات بحجمها أسرع من النموذج الأصلي بشكل فعال. تأخذ الشبكة متغيرات النموذج كمدخلات لها ، وتقوم في البداية بتعيين أوزان وتحيزات عشوائية ، وتبرز التنبؤ بنمط تشكيل المستعمرة البكتيرية ، متخطية تمامًا الخطوات الوسيطة المؤدية إلى النموذج النهائي.

على الرغم من أن النتيجة الأولية ليست قريبة من الإجابة الصحيحة ، إلا أنه يمكن تعديل الأوزان والتحيزات في كل مرة يتم فيها إدخال بيانات تدريب جديدة في الشبكة. بالنظر إلى مجموعة "تدريب" كبيرة بما فيه الكفاية ، ستتعلم الشبكة العصبية في نهاية المطاف إعداد تنبؤات دقيقة في كل مرة تقريبًا.

للتعامل مع الحالات القليلة التي يخطئ فيها التعلم الآلي ، توصلت أنت ووانغ إلى طريقة للتحقق من عملهم بسرعة. لكل شبكة عصبية ، فإن عملية التعلم لديها عنصر العشوائية. بمعنى آخر ، لن تتعلم أبدًا نفس الطريقة مرتين ، حتى لو تم تدريبها على نفس مجموعة الإجابات.

درب الباحثون أربع شبكات عصبية منفصلة وقارنوا إجاباتهم لكل حالة. وجدوا أنه عندما تقوم الشبكات العصبية المدربة بعمل تنبؤات مماثلة ، كانت هذه التنبؤات قريبة من الإجابة الصحيحة.

"لقد اكتشفنا أنه لا يتعين علينا التحقق من صحة كل إجابة بنموذج حسابي أبطأ" ، قال أنت. "لقد استخدمنا في الأساس" حكمة الجماهير "بدلاً من ذلك."

مع تدريب نموذج التعلم الآلي وتأكيده ، شرع الباحثون في استخدامه لاكتشاف اكتشافات جديدة حول دائرتهم البيولوجية. في عمليات محاكاة البيانات الأولية 100،000 المستخدمة لتدريب الشبكة العصبية ، أنتجت واحدة فقط مستعمرة بكتيرية مع ثلاث حلقات. ولكن بفضل سرعة الشبكة العصبية ، لم تتمكن أنت ووانغ من العثور على العديد من التوائم الثلاثة ، ولكنهم حددوا المتغيرات التي كانت حاسمة في إنتاجها.

وقال وانغ: "تمكنت الشبكة العصبية من إيجاد أنماط وتفاعلات بين المتغيرات التي كان من المستحيل اكتشافها".

وكنتيجة نهائية لدراستهم ، جربت أنت ووانغ نهجهما على نظام بيولوجي يعمل بشكل عشوائي. يتطلب حل مثل هذه الأنظمة نموذجًا للكمبيوتر لتكرار نفس المعلمات عدة مرات للعثور على النتيجة الأكثر احتمالًا. في حين أن هذا سبب مختلف تمامًا لأوقات التشغيل الحسابية الطويلة عن النموذج الأولي الخاص بهم ، إلا أن الباحثين وجدوا أن نهجهم لا يزال يعمل ، مما يدل على أنه قابل للتعميم للعديد من النظم البيولوجية المعقدة المختلفة.

يحاول الباحثون الآن استخدام نهجهم الجديد في الأنظمة البيولوجية الأكثر تعقيدًا. إلى جانب تشغيله على أجهزة الكمبيوتر ذات وحدات معالجة الرسومات بشكل أسرع ، فإنهم يحاولون برمجة الخوارزمية لتكون فعالة قدر الإمكان.

وقال وانغ: "لقد قمنا بتدريب الشبكة العصبية باستخدام 100000 مجموعة من البيانات ، لكن ربما كان ذلك مبالغًا فيه". "نحن نعمل على تطوير خوارزمية حيث يمكن للشبكة العصبية التفاعل مع عمليات المحاكاة في الوقت الفعلي للمساعدة في تسريع الأمور".

"لقد كان هدفنا الأول نظامًا بسيطًا نسبيًا" ، هذا ما قالته أنت. "نريد الآن تحسين أنظمة الشبكات العصبية هذه لتوفير نافذة في الديناميات الأساسية للدوائر البيولوجية الأكثر تعقيدًا."

شارك المقالة عبر:

اترك تعليقا:

الاكتر شيوعا

Wikipedia

نتائج البحث

نموذج الاتصال

الاسم

بريد إلكتروني *

رسالة *

إجمالي مرات مشاهدة الصفحة

المشاركات الشائعة