Vedi traduzione automatica
Questa è una traduzione automatica. Per vedere il testo originale in inglese cliccare qui
#News
{{{sourceTextContent.title}}}
L'apprendimento automatico lascia le reti cellulari di controllo dell'Inverso-ingegnere degli scienziati
{{{sourceTextContent.subTitle}}}
Il flusso di informazione fra le cellule nei nostri corpi è eccessivamente complesso: percependo, segnalando ed influenzarsi in un flusso costante degli impegni microscopici. Queste interazioni sono critiche per vita e quando vanno storto possono condurre alla malattia ed alla lesione.
{{{sourceTextContent.description}}}
Gli scienziati hanno isolato migliaia di diverse interazioni cellulari, ma tracciare una carta della rete delle reazioni che conduce le cellule auto-ad organizzare negli organi o nei melanomi della forma è stato una sfida estrema.
«, Mentre una comunità sta annegando nei dati quantitativi che vengono dagli esperimenti funzionali,» diciamo Michael Levin, professore di biologia all'università dei ciuffi e direttore di Allen Discovery Center là. «Estrarre una comprensione profonda di che cosa sta continuando nel sistema dai dati per fare qualcosa biomedico utile sta ottenendo più duro e più duro.»
Lavorando con Maria Lobikin, uno studente di Ph.D. nel suo laboratorio e Daniel Lobo, un precedente post-documento ed ora l'assistente universitario di biologia e dell'informatica all'università del Maryland, la contea di Baltimore (UMBC), Levin sta usando l'apprendimento automatico per scoprire le reti cellulari di controllo che determinano come gli organismi si sviluppano ed ai metodi di progettazione per interromperle. Il lavoro apre la strada per i trattamenti del cancro di calcolo-progettati e la medicina rigeneratrice.
«Alla fine, il valore delle piattaforme di apprendimento automatico è dentro se possono ottenerci alle nuove capacità, se per medicina rigeneratrice o altri approcci terapeutici,» Levin dice.
Scrivendo nei rapporti scientifici nel gennaio 2016, il gruppo ha riferito i risultati di uno studio dove hanno creato un girino con una forma di pigmentazione mista mai prima veduta in natura. La conversione parziale delle cellule normali del pigmento ad un fenotipo del tipo di melanoma — compiuto con una combinazione di due droghe e RNA messaggero — è stato preveduto dal loro codice di apprendimento automatico e poi è stato verificato in laboratorio.
Il loro lavoro è stato facilitato dal supercomputer di fuga precipitosa a Texas Advanced Computing Center — uno del più potente nel mondo — quale ha permesso al gruppo di eseguire miliardi di simulazioni per modellare della rete cellulare e dei mezzi di alterazione.
Incisione della rete (delle cellule)
I girini dal genere del Xenopus delle rane acquatiche possiedono un gruppo di cellule del pigmento che il laboratorio di Levin precedentemente ha mostrato potrebbe essere convertito in risultato del tipo di melanoma interrompendo la loro comunicazione elettrica con altri tipi delle cellule.
Con gli anni di esperimenti, hanno trovato che i vari trattamenti potrebbero indurre le conversioni, ma alcuni animali trattati convertirebbero ed alcuni non non.
«Il risultato era probabilistico, come il lancio della moneta polarizzata,» Levin dice. «Ma notevolmente, tutte cellule stavano lanciando la stessa moneta: un animale dato o convertirebbe o non, complessivamente. Le diverse cellule non hanno preso le decisioni indipendenti.»
Una delle prove più importanti del loro modello intelligenza-derivato artificiale era di vedere se potesse essere usata per scoprire un trattamento che avrebbe rotto la concordanza normale fra le cellule ed induce un modello del sale-e-pepe in cui le diverse cellule all'interno di singolo girino avrebbero scelto di diventare del tipo di melanoma oppure no.
Potevano non solo produrre questo effetto, ma predire la percentuale della popolazione dei girini che avrebbero avuti la pigmentazione mista.
«Sono stato soffiato via dal fatto che la piattaforma di apprendimento automatico ci ha convinti ad una capacità a fare qualcosa che non potremmo fare prima, al banco, negli organismi viventi reali,» Levin dice. «Era abbastanza buono da predire i nuovi risultati agli esperimenti che nessuno aveva fatto prima.»
Tracciato del modello
I risultati hanno spiegato la ricerca precedente dal gruppo che ha usato l'apprendimento automatico per derivare il modello di controllo cellulare per il Xenopus. Per identificare il modello, il gruppo ha introdotto i risultati del valore quasi di una decade degli esperimenti del laboratorio nella fuga precipitosa come pure i fatti che avevano imparato da questi esperimenti e da quelli di altri laboratori che lavorano a queste vie.
Gli esperimenti attuali hanno mostrato vari modi che una droga o una proteina potrebbe colpire un processo dato o un ricevitore cellulare, ma non l'immagine completa di come il sistema complesso ha correlato o di come la dinamica di segnalazione ha provocato le frequenze specifiche degli animali melanoma-convertiti da un trattamento dato applicato ad una popolazione degli animali.
Entri nell'uno-due di matematica e dell'apprendimento automatico.
Il lobo ha sviluppato un codice che ha trattato la droga e le interazioni cellulari come nodi su una rete e caratterizzati come ogni componente si è comportata come equazione differenziale. Il codice poi ha combinato a caso le varie equazioni ad ogni nodo come catena delle interazioni ed ha segnato quanto vicino questa rete delle interazioni è venuto a riprodurre gli esperimenti del laboratorio.
Ha allontanato i risultati che non si sono approssimati ai risultati sperimentali, ha tenuto quelli che erano più vicini e poi ha ricombinato le componenti.
Ripetendo questo ciclo molte volte, la combinazione dei processi migliorati e meglio in un modo analogo di evoluzione, finché non arrivi ad un sistema capace di predizione dei risultati del laboratorio. Questo metodo, chiamato calcolo evolutivo, è stato utilizzato per le decadi in computer a alto rendimento, ma mai prima per il problema delle reti cellulari di controllo.
«Questo approccio usa molto potere di calcolo,» il lobo dice. «Il modello non è deterministico. Così appena poichè ci applichiamo una droga a 100 girini, dobbiamo simulare il modello 100 volte ottenere un risultato accurato. Anche se i modelli sono veloci computare, l'algoritmo di apprendimento automatico deve computare miliardi di simulazioni per scoprire precisamente le equazioni corrette che spiegano i dati.»
Il gruppo ha riferito i risultati di questo lavoro iniziale nella segnalazione di scienza nell'ottobre 2015.
Interventi di reingegnerizzazione
Con questo modello a disposizione, hanno cominciato gli interventi della droga di reingegnerizzazione che potrebbero creare un risultato specifico: girini macchiati.
Eseguendo 562 del tipo di esperimenti che avrebbero fatto tipicamente nel laboratorio virtualmente sulla fuga precipitosa, il modello ha predetto esattamente un percorso alla pigmentazione macchiata: la combinazione di tre reagenti — due inibitori della droga e RNA messaggeri uno — quello romperebbe la concordanza definitiva.
Gli esperimenti del laboratorio hanno confermato questa previsione, con conseguente conversione parziale delle cellule del pigmento all'interno di diversi girini.
Il modello che sono derivato è stato provato soltanto finora in anfibi, sebbene le vie specifiche mirate a fossero conservate in esseri umani. Inoltre, la metodologia per la scoperta e l'interrogazione di modello sarà applicabile a una vasta gamma di fenomeni.
«Questo è un grande passo avanti per lo scopo aspirational informaticamente di predizione dei fenotipi complessi ed usando le previsioni modellanti per il miglioramento della salute, per il trattamento della malattia e l'organizzazione degli organismi viventi utili,» ha detto Tom Skalak, direttore esecutivo di Paul G. Allen Frontiers Group.
Il laboratorio di Levin è interessato nell'applicazione del questo metodo alla medicina rigeneratrice ed ai modi che le cellule rendono a decisioni circa come formare e riparare le strutture anatomiche complesse. (I risultati precedenti dal gruppo hanno descritto gli sforzi di apprendimento automatico all'inverso-ingegnere la capacità del verme di planarian di rigenerare il suo intero corpo dai frammenti di un verme.)
«Oltre gli strumenti correnti di bioinformatica, che trattano i dati della proteina e genomica, vogliamo sviluppare le piattaforme di AI per aiutarci a capire e controllare larga scala che modella, gli algoritmi che definiscono la forma anatomica, non appena i meccanismi che guidano i diversi comportamenti delle cellule,» Levin dice.
Il laboratorio del lobo sta applicando il metodo a ricerca sul cancro per determinare che tipo di interventi potrebbero fermare la metastasi nelle sue piste senza danneggiare altre cellule.
«Gli approcci tradizionali come l'attacco della chemioterapia le cellule che coltivano il la maggior parte, ma lascia le cellule che stanno segnalando altre per svilupparsi e che possono essere il più importante,» lobo dice. «Stiamo usando l'apprendimento automatico per scoprire le reti di comunicazione fra queste cellule ed eventualmente per scoprire un trattamento che può indurre il tumore a sprofondare.»
I risultati della loro manifestazione di studio del girino come che l'apprendimento automatico può scoprire le relazioni nascoste nei sistemi viventi complessi ed identificare le manipolazioni specifiche che possono raggiungere un risultato terapeutico.
«Il sistema di apprendimento automatico ha contribuito alla cosa più creativa che gli scienziati fanno: ci ha aiutati a trovare un modello che cosa sta continuando in che questo sistema complesso,» Levin di spiegazione dice. «In futuro, mentre i dati continuano a accumularsi, i computer stanno andando essere una componente essenziale del processo scientifico, aiutante ci a fare le ipotesi e formulante i modelli premonitori e quantitativi di come i sistemi biologici funzionano.»