Машинного обучения, прогнозирует поведение биологических цепей

Биомедицинские инженеры Университета Дьюка разработали подход машинного обучения для моделирования взаимодействия между комплексными переменными генетически модифицированные бактерии, которые в противном случае были бы слишком громоздкими для прогнозирования. Их алгоритмы обобщать, многие виды биологических систем.

текст объявления

В новом исследовании ученые обучили нейросеть для прогнозирования круговые узоры, которые будут созданы в биологической цепи, внедренной в бактериальную культуру. Система работала 30 000 раз быстрее, чем существующие вычислительные модели.

Для дальнейшего повышения точности, команда разработала метод для переподготовки машинного обучения модель несколько раз, чтобы сравнить их ответы. Затем они использовали его для решения второй биологическая система, которая является вычислительно ресурсоемких иначе, показывающие алгоритм может работать для различных проблем.

Результаты появляются онлайн 25 сентября в журнале Nature.

«Эта работа была вдохновлена Гугл показывает, что нейронные сети могут учиться бить человека в настольную игру, пойти», — сказал Lingchong Вы, профессор биомедицинской инженерии в Университете Дьюка.

«Хоть игра имеет простые правила, существует слишком много возможностей для компьютерную для расчета лучший параметр детерминированно», — сказал Ты. «Я подумал, что такой подход может быть полезным в борьбе с некоторыми аспектами биологической сложности, с которыми мы сталкиваемся».

Задача, которая стоит перед тобой и его постдокторского связать Shangying Ван определения того, что набор параметров может производить определенную закономерность в культуру бактерий после инженерии генной цепи.

текст объявления

В ходе предыдущей работы лаборатории вы запрограммировали бактерии производят белки, что, в зависимости от особенностей роста культуры, взаимодействуют друг с другом в форме кольца. Контролируя переменные, такие как размер рост и размер предоставляемой питательных веществ, исследователи обнаружили, что они могут контролировать толщину кольца, сколько времени понадобилось, чтобы появляться и другие характеристики.

Меняя любое число десятков потенциальных переменных, исследователи обнаружили, что они могли бы сделать больше, например, вызывает образование двух или даже трех колец. Но поскольку единого компьютерного моделирования пять минут, это стало непрактичным, чтобы искать любой дизайн большого пространства для достижения конкретного результата.

Для их изучения, система состояла из 13 бактериальной переменных, таких как темпы роста, диффузия, деградация белка и клеточного движения. Просто чтобы вычислить шесть значений каждого параметра будет принимать один компьютер более 600 лет. Выполняется на параллельных вычислительных кластеров с сотнями узлов может сократить это время до нескольких месяцев, но, узнав, машина может сократить его до часа.

«Модель мы используем медленно, потому что приходится учитывать промежуточных шагов во времени на достаточно небольшой скорости, чтобы быть точным», — сказал Ты. «Но мы не всегда заботимся о промежуточных шагов. Мы просто хотим, чтобы конечный результат для некоторых приложений. И мы можем (вернуться в) выяснить, промежуточные этапы, если мы найдем конечные результаты интересные».

Для перехода к конечным результатам, Ван обратился к модели машинного обучения называется глубокой нейронной сети, которая может эффективно делать заказы предсказания величины быстрее, чем оригинальная модель. Сеть принимает переменные в качестве входных данных, изначально присваивает случайный веса и смещения, и выдает прогноз о том, что картина бактериальной колонии образуют, полностью минуя промежуточные шаги, ведущие к окончательной схеме.

текст объявления

Хотя первоначальный результат не где-нибудь близко к правильному ответу, веса и пола может быть изменен каждый раз, как новые обучающие данные подаются в сеть. Учитывая достаточно большой «обучение» установлено, нейронная сеть будет в конце концов научиться делать точные прогнозы почти каждый раз.

В тех немногих случаях, когда учебная машина делается неправильно, вы и Ван придумал способ быстро проверить свою работу. Для каждой нейронной сети, процесс обучения имеет элемент случайности. Другими словами, он никогда не узнаете, так же в два раза, даже если он обучен на один и тот же набор ответов.

Исследователи обучили четырех отдельных нейронных сетей и сравнили свои ответы для каждого экземпляра. Они нашли, что, когда обученные нейронные сети делают подобные прогнозы, эти прогнозы были близки к правильному ответу.

«Мы обнаружили, что мы не должны проверить каждый ответ с более медленным стандартные вычислительные модели», — сказал Ты. «Мы по существу использовали ‘мудрость вместо толпы'».

С модели машинного обучения обучаются и подтверждают, исследователи намеревались использовать его, чтобы сделать новые открытия о их биологической цепи. В начальной 100,000 моделирование данных, используемых для обучения нейронной сети, только одна произвела бактериальной колонии с тремя кольцами. Но со скоростью нейронной сети, ты и Ван были не только в состоянии найти много троек, но определить переменные, которые имеют решающее значение для их производства.

«Нейронная сеть способна находить закономерности и взаимосвязи между переменными, которые были бы в противном случае невозможно раскрыть», — сказал Ван.

В финале своего исследования, вы и Ван попытался их подход в биологической системе, что действует наугад. Решение таких систем требует компьютерную модель, чтобы повторить те же параметры много раз, чтобы найти наиболее вероятным исходом. Хотя это совершенно по другой причине в течение долгого времени вычислений, чем их начальная модель, исследователи нашли свой подход по-прежнему работал, показывая это обобщать в различных сложных биологических систем.

Исследователи теперь пытаются использовать их в более сложных биологических системах. Кроме того, он работает на компьютерах с более быстрыми графическими процессорами, они пытаются запрограммировать алгоритм, чтобы быть максимально эффективной.

«Мы обучили нейронную сеть с 100 000 наборов данных, но, возможно, был перебор», — сказал Ван. «Мы разрабатываем алгоритм, где нейронная сеть может взаимодействовать с моделированием в реальном времени, чтобы помочь ускорить дело».

«Наша первая задача была относительно простая система», — сказал Ты. «Сейчас мы хотим улучшить эти нейросетевые системы, чтобы обеспечить окно в динамике более сложных биологических цепей».

Эта работа была поддержана Управлением военно-морских исследований (N00014-12-1-0631), Национальные институты здоровья (1R01-GM098642), и Дэвида и Люсиль Паккардов общение.

сделать разницу: спонсорские возможности

История Источник:

Материалы предоставлены Университета Дьюка. Оригинал был написан Кеном Кингери. Примечание: материалы могут быть отредактированы для стиля и длины.


https://www.sciencedaily.com/releases/2019/10/191002165235.htm