{{{sourceTextContent.title}}}

Die Lernfähigkeit einer Maschine lässt Wissenschaftlerc$rück-ingenieur zelluläre Steuernetze

{{{sourceTextContent.subTitle}}}

Der Informationsfluss zwischen Zellen in unseren Körpern ist außerordentlich komplex: Abfragung, signalisierend und Beeinflussung in einem konstanten Fluss von mikroskopischen Verpflichtungen. Diese Interaktionen sind für das Leben kritisch und wenn sie schief gehen, können zu die Krankheit und die Verletzung führen.

{{{sourceTextContent.description}}}

Wissenschaftler haben Tausenden der einzelnen zellulären Interaktionen lokalisiert, aber, das Netz von Reaktionen zu entwerfen, das Zellen führt, in Organe oder in Formmelanomen selbst-zu organisieren, ist eine extreme Herausforderung gewesen.

„Wir, während eine Gemeinschaft in den quantitativen Daten ertrinken, die von den Funktionsexperimenten kommen,“ sagen Michael Levin, Professor der Biologie an der Büschel-Universität und Direktor Allen Discovery Centers dort. „Die Extrahierung eines tiefen Verständnisses von, was in das System von den Daten fortfährt, um hilfreiches etwas zu tun biomedizinisch, erhält stark und stark.“

Arbeitend mit Maria Lobikin, verwendet ein Ph.D.-Student in seinem Labor und Daniel Lobo, ein ehemaliges Nachdoc. und jetzt Assistenzprofessor der Biologie und der Informatik an der Universität von Maryland, Baltimore County (UMBC), Levin die Lernfähigkeit einer Maschine, die zellulären Steuernetze freizulegen, die, wie Organismen sich entwickeln, und zu den Design-Methoden bestimmen, um sie zu stören. Die Arbeit ebnet die Weise für Computer-entworfene Krebsbehandlungen und verbessernde Medizin.

„Am Ende, ist der Wert von Lernfähigkeit- einer Maschineplattformen herein, ob sie uns an neue Fähigkeiten gelangen können, ob für verbessernde Medizin oder andere therapeutische Ansätze,“ sagt Levin.

Schreibend in wissenschaftliche Berichte im Januar 2016, meldete das Team die Ergebnisse einer Studie, in der sie eine Kaulquappe mit einer Form von Mischpigmentation nie herstellten, vor gesehen in der Natur. Die teilweise Umwandlung von normalen Pigmentzellen zu einem Melanom ähnlichen Phänotypus — vollendet durch eine Kombination von zwei Drogen und von Bote RNS — wurde durch ihren Lernfähigkeit- einer Maschinecode vorausgesagt und überprüft dann im Labor.

Ihre Arbeit wurde durch die Ansturmsupercomputer bei Texas Advanced Computing Center erleichtert — ein vom stärksten in der Welt — welches dem Team ermöglichte, Milliarden Simulationen laufen zu lassen, um vom Mobilfunknetz und von den Durchschnitten der Änderung es zu modellieren.

Zerhacken des (Zell) Netzes

Kaulquappen von der Xenopusklasse von Wasserfröschen besitzen eine Gruppe Pigmentzellen, dass das Levin-Labor vorher könnte in ein Melanom ähnliches Ergebnis durch die Unterbrechung ihrer elektrischen Kommunikation mit anderen Zellarten umgewandelt werden darstellte.

Durch Jahre von Experimenten, fanden sie, dass verschiedene Behandlungen Umwandlungen verursachen konnten, aber einige behandelte Tiere würden umwandeln und einige wurden nicht.

„Das Ergebnis war probabilistisch, wie das Werfen einer voreingenommenen Münze,“ sagt Levin. „Aber bemerkenswert, warfen alle Zellen die gleiche Münze: ein gegebenes Tier würde entweder oder nicht, als Ganzes umwandeln. Einzelne Zellen trafen nicht unabhängige Entscheidungen.“

Einer der wichtigsten Tests ihres künstlichen Intelligenz-abgeleiteten Modells war, zu sehen, wenn er verwendet werden könnte, um eine Behandlung zu entdecken, die die normale Übereinstimmung unter Zellen brechen würde, und ein Salz-undpfeffermuster verursacht, in dem einzelne Zellen innerhalb einer einzelnen Kaulquappe beschließen würden, Melanom ähnlich zu werden oder nicht.

Sie waren nicht nur, diesen Effekt zu produzieren, aber in der Lage den Prozentsatz der Bevölkerung der Kaulquappen vorauszusagen, die die Mischpigmentation haben würden.

„Ich wurde weg durch die Tatsache durchgebrannt, dass die Lernfähigkeit- einer Maschineplattform uns an eine Fähigkeit gelangte, etwas zu tun, das wir nicht vor tun könnten, an der Bank, in den wirklichen lebenden Organismen,“ sagt Levin. „Es war gut genug, neue Ergebnisse zu den Experimenten vorauszusagen, die niemand hatte getan vorher.“

Diagramm des Modells

Die Ergebnisse erweiterten auf vorhergehende Forschung durch das Team, das die Lernfähigkeit einer Maschine verwendete, das zelluläre Steuermodell für Xenopus abzuleiten. Um das Modell zu identifizieren, gab das Team die Ergebnisse des Wertes eines fast Jahrzehnts von Laborexperimenten in Ansturm sowie die Tatsachen ein, die sie von diesen Experimenten und von denen anderer Labors gelernt hatten, die an diesen Bahnen arbeiten.

Die vorhandenen Experimente zeigten eine Vielzahl von Weisen, denen eine Droge oder ein Protein einen gegebenen Prozess oder einen zellulären Empfänger beeinflußten, aber nicht von vollen Bild von wie das zusammengehangene komplexe System oder, von wie die signalisierende Dynamik spezifische Frequenzen von Melanom-umgewandelten Tieren von einer gegebenen Behandlung verursachte, die an einer Bevölkerung von Tieren angewendet wurde.

Betreten Sie den one-two Durchschlag von Mathematik und von Lernfähigkeit einer Maschine.

Lobo entwickelte einen Code, der die Droge und die zellulären Interaktionen als Knoten in einem Netz und gekennzeichnet behandelte, wie jede Komponente als Differenzialgleichung sich benahm. Der Code dann kombinierte nach dem Zufall die verschiedenen Gleichungen an jedem Knoten als Kette von Interaktionen und zählte, wie nah dieses Netz von Interaktionen zur Reproduktion der Laborexperimente kam.

Es wies die Ergebnisse, die nicht die experimentellen Ergebnisse approximierten, hielt die, die genauer waren, und wiederverband dann die Komponenten zurück.

Diesen Zyklus viele Male wiederholend, erhielt die Kombination von Prozessen Entwicklung besseres und besseres in gewissem Sinne entsprechendes, bis sie zu einem System kam, das zur Vorhersage von Laborergebnissen fähig ist. Diese Methode, genannt Evolutionsberechnung, ist für Jahrzehnte im Hochleistungs-EDV, aber nie vorher für das Problem der zellulären Steuernetze angewendet worden.

„Diese Annäherung verwendet viel Rechenleistung,“ sagt Lobo. „Das Modell ist nicht deterministisch. So gerade da wir eine Droge auf 100 Kaulquappen zutreffen, müssen wir das Modell 100mal simulieren, ein genaues Ergebnis zu erhalten. Selbst wenn die Modelle schnell sind zu rechnen, muss der Lernfähigkeit- einer Maschinealgorithmus Milliarden Simulationen berechnen, um die korrekten Gleichungen genau zu entdecken, welche erklären die Daten.“

Das Team meldete die Ergebnisse dieser Anfangsarbeit im Wissenschafts-Signalisieren im Oktober 2015.

Rück-Technikinterventionen

Mit diesem Modell in der Hand, fingen sie Rück-technikdrogeninterventionen an, die möglicherweise ein spezifisches Ergebnis schüfen: gesprenkelte Kaulquappen.

562 der Art von Experimenten durchführend, die sie gewöhnlich im Labor praktisch auf Ansturm, das Modell tun würden, sagte genau einen Weg zu gesprenkelter Pigmentation voraus: die Kombination von drei Reagenzien — zwei Drogenhemmnisse und eine Bote RNS — das würde die Entweder-oder-Übereinstimmung brechen.

Laborexperimente bestätigten diese Vorhersage, mit dem Ergebnis der teilweisen Umwandlung von Pigmentzellen innerhalb der einzelnen Kaulquappen.

Das Modell, das sie ableiteten, ist nur in den Amphibien bis jetzt geprüft worden, obgleich die spezifischen anvisierten Bahnen in den Menschen konserviert werden. Außerdem ist die Methodologie für vorbildliche Entdeckung und Befragung auf eine breite Palette von Phänomenen anwendbar.

„Dieses ist ein großer Schritt nach vorn für das aspirational Ziel von komplexe Phänotypen rechnerisch voraussagen, und mit den modellierenden Vorhersagen für das Verbessern von Gesundheit, für die Behandlung von Krankheit und die Technik von nützlichen lebenden Organismen,“ sagte Tom Skalak, Geschäftsführer Paul G. Allen Frontiers Groups.

Levins Labor ist interessiert, an, diese Methode an der verbessernden Medizin und an den Weisen anzuwenden, die Zellen Entscheidungen machen über, wie man komplexe anatomische Strukturen bildet und repariert. (Vorhergehende Ergebnisse durch das Team beschrieben Lernfähigkeit- einer Maschinebemühungen zum Rück-ingenieur die Fähigkeit des Planarianwurmes, seinen gesamten Körper von den Fragmenten eines Wurmes zu erneuern.)

„Über den gegenwärtigen Werkzeugen von Bioinformatik, die hinaus die genomische und Proteindaten bearbeiten, möchten wir AI-Plattformen entwickeln, um uns zu helfen zu verstehen und den kopierenden steuern großen Umfang, die Algorithmen, die anatomische Form definieren, nicht gerade die Mechanismen, die einzelnes Zellverhalten führen,“ sagt Levin.

Das Labor des lobos wendet die Methode an der Krebsforschung an, um zu bestimmen, welche Art möglicherweise von Interventionen Metastase in seinen Bahnen stoppte, ohne andere Zellen zu schädigen.

„Traditionelle Ansätze wie Chemotherapieangriff die Zellen, die die die meisten wachsen, aber lässt Zellen, die signalisieren anderen, um zu wachsen, sind das wichtigste und die möglicherweise,“ Lobo sagt. „Wir verwenden die Lernfähigkeit einer Maschine, die Kommunikationsnetze zwischen diesen Zellen herauszufinden und eine Behandlung hoffnungsvoll zu entdecken, die den Tumor veranlassen kann einzustürzen.“

Die Ergebnisse ihrer Kaulquappestudienshow, wie diese Lernfähigkeit einer Maschine versteckte Verhältnisse in den komplexen lebenden Systemen aufdecken und spezifische Manipulationen identifizieren kann, die ein therapeutisches Ergebnis erzielen können.

„Das Lernfähigkeit- einer Maschinesystem trug zur kreativsten Sache bei, die Wissenschaftler tun: es half uns, ein Modell zu finden, sagt erklärender, was an in, das dieses komplexe System geht,“ Levin. „In der Zukunft, während Daten fortfahren anzusammeln, werden Computer eine wesentliche Komponente des wissenschaftlichen Prozesses sein, helfen uns, Hypothesen zu machen und formulieren die vorbestimmten, quantitativen Modelle von, wie biologische Systeme arbeiten.“