De mechanismen van het menselijk lichaam zijn wonderbaarlijk, toch hebben ze niet al hun geheimen prijsgegeven. Om de menselijke ziekte echt te overwinnen, het is cruciaal om te begrijpen wat er op het meest elementaire niveau gebeurt.

Essentiële functies van de cel worden uitgevoerd door eiwitmoleculen, die in wisselende complexiteit met elkaar in wisselwerking staan. Wanneer een virus het lichaam binnendringt, het verstoort hun interacties en manipuleert ze voor zijn eigen replicatie. Dit is de basis van genetische ziekten, en het is van groot belang om te begrijpen hoe virussen werken.

Tegenstanders als virussen inspireerden Paul Bogdan, universitair hoofddocent aan de Ming Hsieh-afdeling Electrical and Computer Engineering, en recente Ph.D. afstuderen, Yuankun Xue, van USC's Cyber ​​Physical Systems Group, om te bepalen hoe ze precies interageren met eiwitten in het menselijk lichaam. "We hebben geprobeerd dit probleem te reproduceren met behulp van een wiskundig model, "zei Bogdan. Hun baanbrekende statistische machine learning-onderzoek naar "Het reconstrueren van ontbrekende complexe netwerken tegen vijandige interventies, " werd gepubliceerd in Natuurcommunicatie tijdschrift eerder in april.

Xu, die zijn Ph.D. in elektrische en computertechniek vorig jaar met de 2018 Best Dissertation Award, zei:"Het is een uitdaging om de onzichtbare netwerken van kritische eiwitten en genen te begrijpen, en uiterst belangrijk om nieuwe medicijnen of gentherapieën te ontwerpen tegen virussen en zelfs ziekten zoals kanker."

Het 'eiwitinteractienetwerk' modelleert elk eiwit als een 'knooppunt'. Als twee eiwitten interageren, er is een 'rand' die ze verbindt. Xue legde uit, "Een aanval door een virus is analoog aan het verwijderen van bepaalde nodes en links in dit netwerk." Bijgevolg, het oorspronkelijke netwerk is niet meer waarneembaar.

"Sommige netwerken zijn zeer dynamisch. De snelheid waarmee ze veranderen kan extreem snel of langzaam zijn, "Zei Bogdan. "We hebben misschien geen sensoren om nauwkeurige metingen te krijgen. Een deel van het netwerk kan niet worden waargenomen en wordt dus onzichtbaar."

Om het effect van een virale aanval op te sporen, Bogdan en Xue moesten het oorspronkelijke netwerk reconstrueren door een betrouwbare schatting van het onzichtbare deel te vinden, wat geen gemakkelijke opgave was. Zei Bogdan:"De uitdaging is dat je de links niet ziet, je ziet de knopen niet, en je kent het gedrag van het virus niet." Om dit probleem op te lossen, Xue heeft toegevoegd, "De truc is om te vertrouwen op een statistisch machine learning-raamwerk om alle mogelijkheden te traceren en de meest waarschijnlijke schatting te vinden."

In schril contrast met eerder onderzoek, de nieuwe bijdrage van het lab is dat ze de invloed en causaliteit van de aanval actief incorporeren, of 'tegenstrijdige interventie', in hun leeralgoritme in plaats van het te behandelen als een willekeurig steekproefproces. Bogdan legde uit, "De echte kracht ligt in zijn algemeenheid - het kan werken met elk type aanval en netwerkmodel."

Vanwege de algemeenheid van hun voorgestelde kader, hun onderzoek heeft verreikende toepassingen voor elk netwerkreconstructieprobleem waarbij een vijandige aanval betrokken is, op diverse gebieden, zoals ecologie, sociale wetenschappen, neurowetenschap, en netwerkbeveiliging. Hun paper heeft ook aangetoond dat het de invloed van trollen en bots op gebruikers van sociale media kan bepalen.

Bogdan is van plan hun werk uit te breiden door te experimenteren met een reeks aanvalsmodellen, meer complexe en gevarieerde datasets, en grotere netwerkgroottes om hun effect op het gereconstrueerde netwerk te begrijpen.