Onderzoekers van de UC San Diego School of Medicine ontwikkelden een zichtbaar neuraal netwerk en gebruikten het om DCell te bouwen, een virtueel model van een werkende biergistcel.

"Het lijkt alsof elke keer dat je je omdraait, iemand heeft het over het belang van kunstmatige intelligentie en machine learning, " zei Trey Ideker, doctoraat, University of California San Diego School of Medicine en Moores Cancer Center professor. "Maar al deze systemen zijn zogenaamde 'black boxes'. Ze kunnen erg voorspellend zijn, maar we weten eigenlijk niet zo veel over hoe ze werken."

Ideker geeft een voorbeeld:machine learning-systemen kunnen het online gedrag van miljoenen mensen analyseren om een ​​persoon te markeren als een potentieel 'terrorist' of 'zelfmoordrisico'. "Toch hebben we geen idee hoe de machine tot die conclusie kwam, " hij zei.

Om machine learning nuttig en betrouwbaar te maken in de gezondheidszorg, Ideker zei, beoefenaars moeten de zwarte doos openen en begrijpen hoe een systeem tot een beslissing komt.

Machine learning-systemen zijn gebouwd op lagen kunstmatige neuronen, bekend als een neuraal netwerk. De lagen zijn met elkaar verbonden door schijnbaar willekeurige verbindingen tussen neuronen. De systemen "leren" door die verbindingen te finetunen.

Het onderzoeksteam van Ideker ontwikkelde onlangs wat zij een "zichtbaar" neuraal netwerk noemen en gebruikte het om DCell te bouwen, een model van een functionerende biergistcel, vaak gebruikt als model in fundamenteel onderzoek. Om dit te doen, ze verzamelden alle kennis van celbiologie op één plek en creëerden een hiërarchie van deze cellulaire componenten. Vervolgens hebben ze standaard algoritmen voor machine learning in kaart gebracht in deze kennisbank.

DCell kan worden bekeken op d-cell.ucsd.edu. De technische details worden op 5 maart gepubliceerd in Natuurmethoden .

Maar wat Ideker het meest opwindt, is dat DCell geen zwarte doos is; de verbindingen zijn geen mysterie en kunnen niet toevallig ontstaan. In plaats daarvan, "leren" wordt alleen geleid door cellulair gedrag en beperkingen in de echte wereld, gecodeerd vanaf ongeveer 2, 500 bekende cellulaire componenten. Het team voert informatie in over genen en genetische mutatie en DCell voorspelt cellulair gedrag, zoals groei. Ze trainden DCell op enkele miljoenen genotypen en ontdekten dat de virtuele cel de celgroei bijna net zo nauwkeurig kon simuleren als een echte cel die in een laboratorium wordt gekweekt.

"De menselijke kennis is onvolledig, " zei Jianzhu Ma, doctoraat, een assistent-onderzoeker in het laboratorium van Ideker die de inspanningen leidde om DCell te bouwen. "We willen die kennis aanvullen om voorspellingen te helpen begeleiden, in de zorg en daarbuiten."

Ideker en Ma stelden DCell ook op de proef. Als ze opzettelijk valse informatie aan het systeem hebben gegeven, het zou niet werken. Neem ribosomen, bijvoorbeeld. Cellen gebruiken deze kleine biologische machines om genetische informatie om te zetten in eiwitten. Maar als de onderzoekers in plaats daarvan ribosomen zouden aansluiten op een niet-gerelateerd proces zoals apoptose, een systeem dat cellen gebruiken om zelfmoord te plegen, DCell kon de celgroei niet langer voorspellen. De virtuele cel "weet" dat de nieuwe regeling biologisch niet mogelijk is.

Ideker en zijn collega's van het Cancer Cell Map Initiative, die hij mede regisseert, genereren nu enkele van de experimentele gegevens die ze nodig hebben om een ​​DCell voor menselijke kanker te bouwen. Vervolgens zullen ze bepalen hoe deze virtuele celbenadering het beste kan worden aangepast aan de unieke biologie van een patiënt.

"We willen op een dag in staat zijn om uw specifieke kankergerelateerde genetische mutaties in te voeren en terug te krijgen hoe agressief uw kanker is, en de beste therapeutische benadering om de groei en metastase te voorkomen, " zei Ideker, die ook oprichter is van het UC San Diego Center for Computational Biology and Bioinformatics.