机器学习可预测生物回路的行为

杜克大学(Duke University)的生物医学工程师设计了一种机器学习方法，可以对工程细菌中复杂变量之间的相互作用进行建模，否则这些变量将很难预测。他们的算法可推广到多种生物系统。

在这项新研究中，研究人员训练了一个神经网络，以预测由嵌入细菌培养物中的生物回路产生的圆形图案。该系统的工作速度比现有的计算模型快30,000倍。

为了进一步提高准确性，该团队设计了一种方法来多次重新训练机器学习模型，以比较他们的答案。然后他们用它来解决第二个生物系统，该系统以不同的方式计算要求很高，表明该算法可以应对各种挑战。

结果于9月25日在线发表在《自然通讯》杂志上。

杜克大学生物医学工程学教授尤凌崇表示：“这项工作的灵感来自Google，表明神经网络可以学习在棋盘游戏Go中击败人类。”

你说：“尽管游戏规则简单，但计算机要确定性地计算出最佳下一个选项的可能性仍然很大。” “我想知道这种方法在应对我们所面临的生物复杂性的某些方面是否有用。”

您和他的博士后研究员王尚英面临的挑战是确定在基因工程改造后哪些参数集可以在细菌培养中产生特定模式。

经过基因编辑以包括基因回路的细菌菌落随着其生长而形成一个紫色环。研究人员正在使用机器学习来发现影响环的性质的数十个变量之间的相互作用，例如环的厚度，形成速度和形成环的数量。图片提供：杜灵崇，杜克大学

在先前的工作中，您的实验室对细菌进行了编程，以产生蛋白质，这些蛋白质根据培养物的生长特性相互影响，形成环。研究人员发现，通过控制诸如生长环境的大小和提供的养分的数量之类的变量，他们可以控制环的厚度，出现的时间以及其他特征。

通过改变数十个潜在变量，研究人员发现它们可以做更多的事情，例如引起两个甚至三个环的形成。但是，由于一次计算机仿真需要五分钟，因此搜索任何大型设计空间以获取特定结果变得不切实际。

对于他们的研究，该系统由13个细菌变量组成，例如生长，扩散，蛋白质降解和细胞运动的速率。仅计算每个参数六个值将花费一台计算机600多年。在具有数百个节点的并行计算机群集上运行它可能会将运行时间缩短到几个月，但是机器学习可以将其减少到几个小时。