Os engenheiros biomédicos da Duke University desenvolveram uma abordagem de aprendizado de máquina para modelar as interações entre variáveis ​​complexas em bactérias projetadas que, de outra forma, seriam muito difíceis de prever. Seus algoritmos são generalizáveis ​​para muitos tipos de sistemas biológicos.

No novo estudo, os pesquisadores treinaram uma rede neural para prever os padrões circulares que seriam criados por um circuito biológico embutido em uma cultura bacteriana. O sistema funcionou 30, 000 vezes mais rápido do que o modelo computacional existente.

Para melhorar ainda mais a precisão, a equipe desenvolveu um método para retreinar o modelo de aprendizado de máquina várias vezes para comparar suas respostas. Em seguida, eles usaram para resolver um segundo sistema biológico que é computacionalmente exigente de uma maneira diferente, mostrar que o algoritmo pode funcionar para desafios díspares.

Os resultados aparecem online no dia 25 de setembro na revista Nature Communications .

"Este trabalho foi inspirado pelo Google, mostrando que as redes neurais podem aprender a derrotar um ser humano no jogo de tabuleiro Go, "disse Lingchong You, professor de engenharia biomédica na Duke.

"Mesmo que o jogo tenha regras simples, existem muitas possibilidades para um computador calcular a melhor próxima opção deterministicamente, "Você disse." Eu me perguntei se tal abordagem poderia ser útil para lidar com certos aspectos da complexidade biológica que enfrentamos. "

O desafio enfrentado por You e seu associado de pós-doutorado, Shangying Wang, era determinar qual conjunto de parâmetros poderia produzir um padrão específico em uma cultura de bactérias seguindo um circuito genético modificado.

Em trabalhos anteriores, Seu laboratório programou bactérias para produzir proteínas que, dependendo das especificidades do crescimento da cultura, interagir uns com os outros para formar anéis. Ao controlar variáveis ​​como o tamanho do ambiente de crescimento e a quantidade de nutrientes fornecidos, os pesquisadores descobriram que podiam controlar a espessura do anel, quanto tempo demorou para aparecer e outras características.

Alterando qualquer número de dezenas de variáveis ​​potenciais, os pesquisadores descobriram que podiam fazer mais, como causar a formação de dois ou até três anéis. Mas, como uma única simulação de computador demorava cinco minutos, tornou-se impraticável procurar um resultado específico em qualquer grande espaço de design.

Para seu estudo, o sistema consistia em 13 variáveis ​​bacterianas, como as taxas de crescimento, difusão, degradação de proteínas e movimento celular. Só para calcular seis valores por parâmetro, um único computador levaria mais de 600 anos. Executá-lo em um cluster de computador paralelo com centenas de nós pode reduzir o tempo de execução para vários meses, mas o aprendizado de máquina pode reduzir para horas.

"O modelo que usamos é lento porque deve levar em consideração etapas intermediárias no tempo em uma taxa pequena o suficiente para ser preciso, "disse Você." Mas nem sempre nos importamos com as etapas intermediárias. Queremos apenas os resultados finais para certas aplicações. E podemos (voltar) descobrir as etapas intermediárias se acharmos os resultados finais interessantes. "

Para pular para os resultados finais, Wang se voltou para um modelo de aprendizado de máquina chamado rede neural profunda, que pode efetivamente fazer previsões com ordens de magnitude mais rápidas do que o modelo original. A rede recebe variáveis ​​de modelo como sua entrada, inicialmente atribui pesos e vieses aleatórios, e cospe uma previsão de qual padrão a colônia bacteriana formará, pular completamente as etapas intermediárias que levam ao padrão final.

Embora o resultado inicial não esteja nem perto da resposta correta, os pesos e tendências podem ser ajustados a cada vez, conforme novos dados de treinamento são alimentados na rede. Dado um conjunto de "treinamento" grande o suficiente, a rede neural acabará aprendendo a fazer previsões precisas quase todas as vezes.

Para lidar com os poucos casos em que o aprendizado de máquina dá errado, Você e Wang descobriram uma maneira de verificar rapidamente o trabalho deles. Para cada rede neural, o processo de aprendizagem tem um elemento de aleatoriedade. Em outras palavras, nunca vai aprender da mesma maneira duas vezes, mesmo que seja treinado no mesmo conjunto de respostas.

Os pesquisadores treinaram quatro redes neurais separadas e compararam suas respostas para cada instância. Eles descobriram que, quando as redes neurais treinadas fazem previsões semelhantes, essas previsões estavam perto da resposta certa.

"Descobrimos que não precisávamos validar cada resposta com o modelo computacional padrão mais lento, "disse Você." Em vez disso, usamos essencialmente a 'sabedoria da multidão'. "

Com o modelo de aprendizado de máquina treinado e corroborado, os pesquisadores decidiram usá-lo para fazer novas descobertas sobre seu circuito biológico. Nos 100 iniciais, 000 simulações de dados usadas para treinar a rede neural, apenas um produziu uma colônia bacteriana com três anéis. Mas com a velocidade da rede neural, Você e Wang não só conseguiram encontrar muitos mais trigêmeos, mas determine quais variáveis ​​foram cruciais para produzi-los.

"A rede neural foi capaz de encontrar padrões e interações entre as variáveis ​​que de outra forma seriam impossíveis de descobrir, "disse Wang.

Como final de seu estudo, Você e Wang tentaram sua abordagem em um sistema biológico que opera aleatoriamente. A resolução de tais sistemas requer um modelo de computador para repetir os mesmos parâmetros muitas vezes para encontrar o resultado mais provável. Embora este seja um motivo completamente diferente para longos tempos de execução computacional do que seu modelo inicial, os pesquisadores descobriram que sua abordagem ainda funcionava, mostrando que é generalizável para muitos sistemas biológicos complexos diferentes.

Os pesquisadores agora estão tentando usar sua nova abordagem em sistemas biológicos mais complexos. Além de executá-lo em computadores com GPUs mais rápidas, eles estão tentando programar o algoritmo para ser o mais eficiente possível.

"Treinamos a rede neural com 100, 000 conjuntos de dados, mas isso pode ter sido um exagero, "disse Wang." Estamos desenvolvendo um algoritmo onde a rede neural pode interagir com simulações em tempo real para ajudar a acelerar as coisas. "

"Nosso primeiro objetivo era um sistema relativamente simples, "disse Você." Agora queremos melhorar esses sistemas de rede neural para fornecer uma janela para a dinâmica subjacente de circuitos biológicos mais complexos. "