人工智能发现的涡虫再生模型

人工智能系统首次对平面动物的再生机制进行了逆向工程 - 小蠕虫具有非凡的再生体能力，使其成为人体再生医学的研究模型。

为了生物工程复杂的器官，科学家需要了解这些形状通常由生物体产生的机制。然而，该论文的资深作者Michael Levin表示，在确定生产特定生物体形状所必需的分子遗传成分与理解如何以及为何以正确的大小，形状和方向生成特定复杂形状之间存在显着的知识差距。博士，Vannevar Bush生物学教授，塔夫茨再生与发育生物学中心主任。

“今天从遗传实验中获得的大多数再生模型都是箭头图，显示哪个基因调节哪个基因。这很好，但它没有告诉你最终的形状是什么。你无法分辨许多遗传途径模型的结果是否会看起来像一棵树，一只章鱼或一个人，“莱文说。“大多数模型都显示了流程发生的一些必要组件，但不是一步一步地产生形状的动力学。我们需要的是算法或建设性模型，你可以精确地遵循这些模型，不会有任何神秘或不确定性你按照食谱来形容。“

需要这样的模型以便知道可以将什么触发器应用于这样的系统以引起特定部件的再生或其他期望的形状变化。然而，该论文的第一作者，莱文实验室的博士后研究员Daniel Lobo博士说，目前还没有这样的工具来挖掘快速发展的再生和发育生物学实验数据。

为了应对这一挑战，Lobo和Levin开发了一种算法，该算法将使用进化计算来生成能够“进化”的监管网络，以准确预测研究人员进入数据库的已发表实验室实验的结果。

“我们的目标是确定一个可以在虚拟蠕虫的每个细胞中执行的监管网络，以便模拟实验的头尾模式结果与公布的数据相匹配，”Lobo说。

塔夫茨大学的生物学家开发了一种算法，该算法利用进化计算产生能够“进化”的监管网络，以准确预测已发表的关于涡虫再生研究的结果。

正如所料，初始随机调控网络通常无法产生任何实验结果。通过随机组合先前的网络并执行随机改变，添加和删除来生成新的候选网络。在模拟实验下，每个候选网络都在虚拟蠕虫中进行了测试。该算法将模拟得到的形状与数据库中的实际发布数据进行比较。随着进化的进行，新网络逐渐可以解释数据库中的更多实验，其中包括大多数关于头部与尾部再生的已知涡虫实验文献。

人工智能发现的第一个再生模型

研究人员最终将该算法应用于16个关键涡虫再生实验的组合实验数据集，以确定该方法是否能够识别涡虫生成的综合调节网络。42小时后，该算法返回了发现的监管网络，该网络正确预测了数据集中的所有16个实验。该网络包括七种已知的调节分子以及两种尚未在现有的关于涡虫再生的论文中发现的蛋白质。

“这代表了迄今为止发现的最全面的涡虫再生模型。它是唯一已知的模型，可以在许多不同的功能实验中机械地解释平面中的头尾极性测定，并且是人工智能发现的第一个再生模型，”莱文说。

Lobo和Levin都接受过计算机科学方面的培训，并为发展生物学领域带来了不同寻常的视角。Levin在获得博士学位之前在塔夫茨大学主修计算机科学和生物学。在遗传学。Lobo获得博士学位。在加入Levin实验室之前在现场。

本文代表了“机器人科学”这一不断发展的领域的成功应用 - 莱文表示，它可以帮助人类研究人员做更多的工作，而不仅仅是快速处理庞大的数据集。

“虽然这个项目中的人工智能确实需要进行大量的计算，但结果却是关于蠕虫正在做什么的理论，而提出自然界正在发生的事情的理论几乎就是最有创意，最直观的方面。这位科学家的工作，“莱文说。“该项目最引人注目的一个方面是，它发现的模型不是一个人类无法理解的绝望的纠结网络，而是人们可以轻易理解的一个相当简单的模型。这一切都告诉我，人工智能可以帮助科学的各个方面，不仅是数据挖掘，还包括数据意义的推断。“