機器學習可預測生物回路的行為

杜克大學(Duke University)的生物醫學工程師設計了一種機器學習方法，可以對工程細菌中復雜變量之間的相互作用進行建模，否則這些變量將很難預測。他們的算法可推廣到多種生物系統。

在這項新研究中，研究人員訓練了一個神經網絡，以預測由嵌入細菌培養物中的生物回路產生的圓形圖案。該系統的工作速度比現有的計算模型快30,000倍。

為了進一步提高準確性，該團隊設計了一種方法來多次重新訓練機器學習模型，以比較他們的答案。然后他們用它來解決第二個生物系統，該系統以不同的方式計算要求很高，表明該算法可以應對各種挑戰。

結果于9月25日在線發表在《自然通訊》雜志上。

杜克大學生物醫學工程學教授尤凌崇表示：“這項工作的靈感來自Google，表明神經網絡可以學習在棋盤游戲Go中擊敗人類。”

你說：“盡管游戲規則簡單，但計算機要確定性地計算出最佳下一個選項的可能性仍然很大。” “我想知道這種方法在應對我們所面臨的生物復雜性的某些方面是否有用。”

您和他的博士后研究員王尚英面臨的挑戰是確定在基因工程改造后哪些參數集可以在細菌培養中產生特定模式。

經過基因編輯以包括基因回路的細菌菌落隨著其生長而形成一個紫色環。研究人員正在使用機器學習來發現影響環的性質的數十個變量之間的相互作用，例如環的厚度，形成速度和形成環的數量。圖片提供：杜靈崇，杜克大學

在先前的工作中，您的實驗室對細菌進行了編程，以產生蛋白質，這些蛋白質根據培養物的生長特性相互影響，形成環。研究人員發現，通過控制諸如生長環境的大小和提供的養分的數量之類的變量，他們可以控制環的厚度，出現的時間以及其他特征。

通過改變數十個潛在變量，研究人員發現它們可以做更多的事情，例如引起兩個甚至三個環的形成。但是，由于一次計算機仿真需要五分鐘，因此搜索任何大型設計空間以獲取特定結果變得不切實際。

對于他們的研究，該系統由13個細菌變量組成，例如生長，擴散，蛋白質降解和細胞運動的速率。僅計算每個參數六個值將花費一臺計算機600多年。在具有數百個節點的并行計算機群集上運行它可能會將運行時間縮短到幾個月，但是機器學習可以將其減少到幾個小時。