Hvordan en gærcelle hjælper med at åbne den sorte boks bag kunstig intelligens

UC San Diego School of Medicine forskere udviklede et synligt neuralt netværk og brugte det til at bygge DCell, en virtuel model af en fungerende ølgærcelle.

"Det virker som om, hver gang du vender dig om, nogen taler om betydningen af ​​kunstig intelligens og maskinlæring, " sagde Trey Ideker, PhD, University of California San Diego School of Medicine og Moores Cancer Center professor. "Men alle disse systemer er såkaldte 'sorte kasser'. De kan være meget forudsigelige, men vi ved faktisk ikke så meget om, hvordan de fungerer."

Ideker giver et eksempel:maskinlæringssystemer kan analysere millioner af menneskers onlineadfærd for at markere en person som en potentiel "terrorist" eller "selvmordsrisiko." "Alligevel aner vi ikke, hvordan maskinen nåede den konklusion, " han sagde.

For at maskinlæring skal være nyttig og troværdig i sundhedsvæsenet, Ideker sagde, praktiserende læger skal åbne den sorte boks og forstå, hvordan et system når frem til en beslutning.

Maskinlæringssystemer er bygget på lag af kunstige neuroner, kendt som et neuralt netværk. Lagene er bundet sammen af ​​tilsyneladende tilfældige forbindelser mellem neuroner. Systemerne "lærer" ved at finjustere disse forbindelser.

Idekers forskerhold udviklede for nylig, hvad de kalder et "synligt" neuralt netværk og brugte det til at bygge DCell, en model af en fungerende ølgærcelle, almindeligt anvendt som model i grundforskning. At gøre dette, de samlede al viden om cellebiologi på ét sted og skabte et hierarki af disse cellulære komponenter. Derefter kortlagde de standard maskinlæringsalgoritmer til denne vidensbase.

DCell kan ses på d-cell.ucsd.edu. De tekniske detaljer offentliggøres den 5. marts i Naturens metoder .

Men det, der begejstrer Ideker mest, er, at DCell ikke er en sort boks; forbindelserne er ikke et mysterium og kan ikke dannes ved en tilfældighed. I stedet, "læring" er kun styret af den virkelige verden cellulær adfærd og begrænsninger kodet fra ca. 500 kendte cellulære komponenter. Holdet indtaster information om gener og genetisk mutation, og DCell forudsiger cellulær adfærd, såsom vækst. De trænede DCell på flere millioner genotyper og fandt ud af, at den virtuelle celle kunne simulere cellulær vækst næsten lige så præcist som en rigtig celle dyrket i et laboratorium.

"Menneskelig viden er ufuldstændig, " sagde Jianzhu Ma, PhD, en assisterende forsker i Idekers laboratorium, der ledede bestræbelserne på at bygge DCell. "Vi ønsker at fuldende den viden for at hjælpe med at guide forudsigelser, i sundhedsvæsenet og andre steder."

Ideker og Ma satte også DCell på prøve. Hvis de bevidst fodrede systemet med falsk information, det ville ikke virke. Tag ribosomer, for eksempel. Celler bruger disse bittesmå biologiske maskiner til at oversætte genetisk information til proteiner. Men hvis forskerne i stedet koblede ribosomer til en ikke-relateret proces som apoptose, et system, celler bruger til at begå selvmord, DCell kunne ikke længere forudsige cellevækst. Den virtuelle celle "ved", at det nye arrangement ikke er biologisk muligt.

Ideker og hans kolleger ved Cancer Cell Map Initiative, som han medleder, genererer nu nogle af de eksperimentelle data, de har brug for for at bygge en DC-celle til human cancer. Derefter vil de afgøre, hvordan man bedst kan tilpasse denne virtuelle celletilgang til en patients unikke biologi.

"Vi ønsker en dag at være i stand til at indtaste dine specifikke kræftrelaterede genetiske mutationer og få en aflæsning om, hvor aggressiv din kræftsygdom er, og den bedste terapeutiske tilgang til at forhindre vækst og metastasering, " sagde Ideker, som også er grundlægger af UC San Diego Center for Computational Biology and Bioinformatics.