Ana sayfa Teknoloji Makine öğrenimi, ters mühendislik yapmaya olanak tanıyor

Makine öğrenimi, ters mühendislik yapmaya olanak tanıyor

139
0
PAYLAŞ

Stampede süper bilgisayar araştırmacılara daha önce doğada görülmemiş pigmentasyon ile tadpoles yaratmalarına yardımcı oluyor.

Araştırmacılar Stampede süperbilgisayarda makine öğrenmeyi, tadpoles’un nasıl geliştiğini belirleyen hücresel kontrol ağını modellemek için kullandılar. Bu modeli kullanarak, daha önce doğada görülmemiş bir şekilde karışık pigmentasyon ile tadpoles yaratan bir ilaç müdahalesini ters mühendislik yapmışlardır. Yöntemi kanser tedavileri ve rejeneratif tıp için kullanmayı planlıyorlar.

Vücudumuzdaki hücreler arasındaki bilgi akışı son derece kompleks: mikroskopik etkileşimlerin sürekli bir akışıyla algılama, sinyal verme ve birbirini etkileme. Bu etkileşimler hayat boyu önemlidir ve ters gittiğinde hastalık ve yaralanmaya neden olabilir.

Bilim adamları, binlerce bireysel hücresel etkileşimi izole ettiler; ancak, hücrelerin organlara kendi kendine organize olmalarına veya melanom oluşturmalarına neden olan reaksiyonların ağını çizmek son derece zor oldu.

Tufts Üniversitesi biyoloji profesörü ve Allen Discovery Center’ın direktörü Michael Levin, “Bir topluluk olarak, fonksiyonel deneylerden gelen sayısal verilere boğuluyoruz” diyor. “Biyomedikal açıdan yararlı bir şey yapmak için verilerden sistemde olup bittiğine dair derin bir anlayış çıkartmak giderek zorlaşıyor” dedi.

Maria Lobikin ile birlikte çalışarak, doktorasını Öğrencisi ve doktora sonrası ve şimdi Maryland Üniversitesi, Baltimore County’de (UMBC) biyoloji ve bilgisayar bilimleri profesörü olan Daniel Lobo, Levin, organizmaların nasıl olduğunu belirleyen hücresel kontrol ağlarını ortaya çıkarmak için makine öğrenimi kullanıyor Geliştirmek ve onları bozmak için yöntemler tasarlamak. İş, hesaplamalı olarak tasarlanmış kanser tedavileri ve rejeneratif tıbbın yolunu açıyor.

Levin, “Sonunda, makine öğrenme platformlarının değeri, rejeneratif tıp veya diğer terapötik yaklaşımlar için bizi yeni yeteneklere kavuşturup edinmemelerine bağlı” diyor.

Yazısında Bilimsel Raporlar Ocak 2016 yılında, takım daha önce doğada hiç görülmemiş karışık pigmentasyon bir form ile bir iribaş oluşturulan bir çalışmanın sonuçlarını bildirmiştir. Normal pigment hücrelerinin bir melanoma benzeri fenotipe kısmi dönüşümü – iki ilacın ve bir mesajcı RNA’nın bir kombinasyonu ile başarılması – kendi makine öğrenme kodu ile öngörülmüş ve daha sonra laboratuarda doğrulanmıştır.

Çalışmaları, ekibin hücresel şebekenin modellenmesi ve değiştirilmesi için milyarlarca simülasyon gerçekleştirmesine olanak tanıyan Texas Advanced Computing Center’daki Stampede süper bilgisayarı tarafından kolaylaştırıldı.

(Hücre) ağı kesiliyor

Sucul kurbağaların Xenopus cinsinden alınan yavrulara, Levin laboratuarının önceden gösterdiği bir grup pigment hücresi, diğer hücrelerle olan elektriksel iletişimlerini keserek melanoma benzeri bir sonuca dönüşebilir.

Yıllarca süregelen deneyler sonucunda çeşitli muamelelerin dönüşümleri indükleyebileceğini ancak bazı muamele görmüş hayvanlara dönüşeceğini ve bazılarının da bu türden hayvanları dönüştürmeyeceğini keşfettiler.

“Sonuç önyargılı bir parayı atmak gibi olasılıkçıydı,” diyor Levin. Ancak dikkat çekici bir şekilde, tüm hücreler aynı parayı atıyorlardı: belirli bir hayvan, ya bir bütün olarak dönüşüp dönüşmeyecektir, bireysel hücreler bağımsız kararlar almadı. ”

Yapay zekaya dayalı modelin en önemli testlerinden biri de, hücreler arasındaki normal uyumu bozacak bir tedaviyi keşfetmek için kullanılabilir olup olmadığını görmek ve tek bir hücrenin içinde tek tek hücrelerin bulunduğu tuz ve biber desenini uyandırmak için kullanılabileceğini görmekti. Tadpole melanoma benzeri olmayı tercih ederdi.

Sadece bu etkiyi üretmekle kalmadılar, aynı zamanda karışık pigmentasyonu olan tadpoles popülasyonunun yüzdesini tahmin edebildiler.

Levin, “Makine öğrenme platformunun bizi daha önce yapamadıklarımı, tezgahta, gerçek canlı organizmalarda yapabilecek bir yeteneğe ulaştıracağım gerçeğiyle uçurdum” diyor. “Hiç kimsenin yapmadığı deneylere yeni çıktılar öngörmek yeterliydi.”

Modeli eşleme

Sonuçlar, Xenopus için hücresel kontrol modelini türetmek için makine öğrenmeyi kullanan ekip tarafından daha önceki araştırma üzerinde genişletildi. Ekip, modeli tanımlamak için yaklaşık on yılın süresince laboratuvar denemelerinin sonuçlarını Stampede’ye ve bu deneylerden ve bu yollarda çalışan diğer laboratuvarların deneyimlerinden edindikleri bilgileri girdi.

Mevcut deneyler, bir ilacın veya proteinin belirli bir süreci veya hücresel reseptörünü etkileyebileceği çeşitli yollar göstermiştir, ancak karmaşık sistemin birbiriyle nasıl ilişkili olduğu veya sinyal dinamiklerinin melanom dönüşümlü hayvanların belirli frekanslarına Belirli bir hayvan popülasyonuna uygulanan tedavi.

Lobo, bir ağdaki uyuşturucu ve hücresel etkileşimleri düğüm olarak ele alan bir kod geliştirdi ve her bileşenin bir diferansiyel denklem olarak nasıl davrandığını karakterize etti. Kod, daha sonra, her düğümdeki çeşitli denklemleri rasgele bir etkileşim zinciri olarak birleştirdi ve bu etkileşim ağının laboratuar deneylerini yeniden üretmek için ne kadar yakın olduğuna karar verdi.

Deney sonuçlarına yaklaşmayan sonuçları reddetti, bunları daha yakın tuttu ve daha sonra bileşenleri birleştirdi.

Bu döngüyü defalarca yineleyen süreç kombinasyonu, laboratuvar sonuçlarını tahmin edebilen bir sisteme gelene kadar, evrimle benzer bir şekilde daha iyi ve daha iyi bir hale geldi. Evrimsel hesaplama olarak adlandırılan bu yöntem, yüksek performanslı hesaplamada yıllardır kullanılmaktadır, ancak daha önce hiç hücresel kontrol ağları sorunu için kullanılmamıştır.

Lobo, “Bu yaklaşım çok fazla hesaplama gücü kullanıyor” dedi. “Bu model deterministik değildir.Böylece 100 tutkola bir ilaç uygularken tam bir sonuç elde etmek için 100 kez modeli taklit etmek zorundayız.Modellerin hesaplanması hızlı olsa bile, makine öğrenme algoritması milyarlarca insanın hesaplanmasına ihtiyaç duyar Verileri açıklayan doğru denklemleri tam olarak keşfetmek için yapılan simülasyonlar. ”

Ekip, Ekim 2015’te Science Signaling’de yapılan ilk çalışmanın sonuçlarını bildirdi.

Tersine mühendislik müdahaleleri

Elde edilen bu modelle, spesifik bir sonuç oluşturabilecek ters mühendislik uyuşturucu müdahaleleri başlattılar: benekli tadpoles.

Stampede hemen hemen laboratuarda yapacakları 562 deneme türünü uygulayan model, lekelenmiş pigmentasyonun tam bir yolunu öngördü: üç reaktif – iki ilaç inhibitörü ve bir haberci RNA – kombinasyonu, Ya da hiç uyuşmazlık.

Laboratuvar deneyleri, bu tahmini doğruladı ve bireysel tadpoles içinde pigment hücrelerinin kısmi dönüşümüne neden oldu.

Elde edilen model, şu ana kadar sadece amfibiyada test edildi, ancak hedeflenen spesifik yollar insanlarda korundu. Üstelik, model keşif ve sorgulama metodolojisi, çok çeşitli olgulara uygulanacaktır.

Paul G. Allen Frontiers İcra Direktörü Tom Skalak, “Bu, karmaşık fenotiplerin hesaplanması için hesaplama amacı taşıyan aspirasyon amacı ve sağlık iyileştirme, hastalığın tedavisi ve faydalı canlı organizmaların mühendisliği için modelleme tahminlerinin kullanılması için büyük bir adım” dedi. Grup.

Levin’in laboratuarı, bu yöntemi rejeneratif tıbba uygulamak ve hücrelerin karmaşık anatomik yapıları nasıl oluşturacakları ve onarabileceği konusunda karar vermeleri ile ilgileniyor. (Takımın önceki sonuçları, planaran solucanın tüm vücudunu bir solucan parçasından yeniden üretme yeteneğini ters mühendislik yapmak için makine öğrenme çabalarını anlattı.)

Levin, “Genomik ve protein verilerini idare eden mevcut biyoinformatik araçların ötesinde, bireysel hücre davranışlarını yönlendiren mekanizmaları değil, büyük ölçekli modellemeyi, anatomik şekli tanımlayan algoritmaları anlamamıza ve kontrol etmemize yardımcı olacak AI platformları geliştirmek istiyoruz” .

Lobo’nun laboratuarı, hangi hücrenin müdahalelerinin diğer hücrelere zarar vermeden metastazını durdurabileceğini belirlemek için bu yöntemi kanser araştırmalarına uyguluyor.

Lobo, “Kemoterapi gibi geleneksel yaklaşımlar en fazla büyüyen hücrelere saldırıyor ancak diğerlerine büyümek üzere işaret eden hücreleri bırakıyor ve bu da en önemli olabilir” dedi. “Bu hücreler arasındaki iletişim ağlarını bulmak için makine öğrenimi kullanıyoruz ve umarım bu tümörün çökmesine neden olan bir tedavi keşfediyoruz.”

Onların tadpole çalışmasının sonuçları, bu makine öğreniminin karmaşık canlı sistemlerdeki gizli ilişkileri nasıl ortaya çıkardığını ve terapötik bir sonuç elde edebilen özel manipülasyonları tanımladığını göstermektedir.

Levin, “Makine öğrenme sistemi, bilim insanlarının yaptığı en yaratıcı şey için katkıda bulundu: bu karmaşık sistemde neler olup bittiğini açıklayan bir model bulmamızda bize yardımcı oldu” dedi. “Gelecekte, veriler birikmeye devam ederken, bilgisayarlar bilimsel işlemin vazgeçilmez bir parçası olacak, böylece bize varsayımlar yapmaya ve biyolojik sistemlerin nasıl işlediğine dair öngörülü, niceliksel modeller oluşturmaya yardımcı olacak.”

PAYLAŞ
Önceki makaleYaşlanmakta olan hücreleri hedefleyen fonksiyonlarını eski haline getiriyor
Sonraki makaleÇoğu kanser mutasyonları, rastgele DNA kopyalama ‘hataları’
1986 yılında Gaziantep'te doğan Harun Antepli, Gaziantep üniversitesi Bilgisayar Programcılığı bölümünden mezun olmuştur. Gaziantep doğumlu olan Harun Antepli, hayatına yine doğduğu ve üniversite eğitimini tamamladığı Gaziantep’te devam etmektedir. Kendi kurduğu bilgisayar şirketi olan Harun Antepli, Özellikle Teknoloji alanında profesyonel bir bakış açısıyla makaleler yazmakta ve okuyucularımızın hizmetine sunmaktadır. Mail: harunantepli@batitrakyahaber.com - Adres : Karataş Mah. 400 Nolu Cad. No:41/B Şahinbey/Gaziantep - Tel : +90 546 214 18 84

BİR CEVAP BIRAK

Please enter your comment!
Please enter your name here