Biyolojik Devre Davranışlarını Tahmin Eden Makine Öğrenmesi Geliştirildi

Tahmin edilmesi güç olan gen düzenlemesi yapılmış bakterilerin karmaşık değişkenleri arasındaki ilişkileri modelleyebilen bir makine öğrenme algoritması geliştirildi.

Yapay sinir ağları, biyolojik devrelerin karmaşık yapılarını aydınlatmak için  devrelerin modelleme sürelerini azalttı. Duke Üniversitesi’nden bir grup biyomedikal mühendis, normalde tahmin edilmesi güç olan gen düzenlemesi yapılmış bakterilerin  karmaşık değişkenleri arasındaki ilişkileri modelleyebilen bir makine öğrenimi geliştirdiler. Geliştirdikleri bu makine öğrenme algoritmasının, biyolojik pek çok sistem için genellenebilir nitelikte olmasıyla dikkat çekiyor.

Yapılan bu yeni çalışmada araştırmacılar, sinir ağlarını eğiterek bakteri kültüründeki biyolojik devrenin dairesel desenini tahmin edebilmesini amaçladılar. Bu sistem, mevcut hesaplama modelinden 30,000 kat daha hızlı çalıştı.

Araştırmacılar, verinin doğruluğunu test etmek için öğrenme sonuçlarını karşılaştıracak bir öğrenme modelini geliştirdiler. Algoritmayı, farklı hesaplama tekniği gerektiren ikinci bir biyolojik sistemde kullanarak sonuçları gözlemlediler. Bu sayede algoritmanın farklı hesaplama sistemlerinde başarılı bir şekilde çalıştığını ispatlamış oldular ve çalışmanın sonuçları 25 Eylül’de Nature Communications Dergisi’nin internet sitesinde yayınlandı.

Duke Üniversitesi’nde görev yapan biyomedikal mühendisi Prof. Lingchong You; “Buna benzer bir çalışma, Google’a sinir ağlarının eğitildikten sonra insanları bir masa oyunu olan AlphaGo’da yenebileceğini gösterdi ve bu Google’a gelecek çalışmalar için ilham kaynağı oldu. Oyunun basit kuralları olmasına rağmen bilgisayarın en iyi hamleyi seçmesi pek çok etkene bağlıydı. Bizler de, bu gelişmelerin bilmediğimiz biyolojik olayların aydınlatılmasında yararı olup olamayacağını merak ettik.’’ dedi. Prof.Lingchong You ve çalışma arkadaşı Shangying Wang’in en çok zorlandıkları nokta; gen düzenlemesi yapılmış bir devrenin, bakteri kültüründe hangi parametreler ile spesifik bir model üretebileceğinin belirlenmesiydi.

Önceki bir çalışmada You ve ekibi, kültürün büyüme özelliklerine bağlı olarak halka oluşturan ve etkileşime giren proteinler üretmek için bakterileri programlamışlardı. Araştırmacılar, büyüme ortamının büyüklüğü ve sağlanan besin miktarı gibi değişkenlerin; halkanın kalınlığını, uzunluğunu ve diğer özelliklerini etkilediklerini buldular. Çok sayıda potansiyel değişkenin düzenlendikleri takdirde, iki ya da üç halkalı yapılar oluşturabileceklerini keşfettiler. Ancak tek bir bilgisayar simülasyonu beş dakika sürdüğü için sonuçları gözlemlemek pek de pratik olmadı.

Gen devresini içerecek şekilde genetik olarak düzenlenmiş bir bakteri kolonisi büyüdükçe mor bir halka oluşturur.
Araştırmacılar bu halkaların kalınlığını, ne kadar hızlı oluştuğunu ve oluşan halkaların sayısı gibi özellikleri etkileyen düzinelerce değişken arasındaki etkileşimi keşfetmek için makine öğrenmesini kullanıyor.

Bakteri çalışması için kurulan sistem; büyüme, diffüzyon, protein bozulması ve hücresel hareket oranları gibi 13 değişkenden oluşuyordu. Parametre başına altı değer hesaplamak, tek bir bilgisayar için 600 yıldan daha uzun zaman alıyordu. Paralel bir bilgisayar kümesi, bu hesaplamayı ancak birkaç ay gibi yine uzun bir zamanda yapabiliyordu. Makine öğrenmesi ile  bu süre birkaç saate indirildi.

“Ara adımları gözlemlemek istediğimizde sistem yavaş işliyor, bu nedenle genellikle ara adımları atlayarak nihai sonuçlara ulaşmak istiyoruz. Sonuçları ilginç bulursak ara adımları incelemek amacıyla basamakları tekrar ediyoruz.”  Prof.Lingchong You

Wang, orijinal modelden çok daha hızlı bir şekilde tahmin yapabilen derin sinir ağı (deep neural network) denilen bir makine öğrenme modeli geliştirdi. Bu derin sinir ağı, model değişkenleri girdi olarak alır, başlangıçta rastgele eğilimleri verir ve bakteri kolonisinin hangi deseni oluşacağına dair bir tahmin ortaya koyar. Bu işlemde ara adımları tamamen atlayıp sonuca ulaşır. Eğer sonuçlar, doğru yanıttan çok uzaksa eğilimler her seferde değiştirilerek sinir ağı tekrar eğitilebilir. Bir sinir ağının, yeterli eğitimden sonra daima doğru tahminler yapması mümkündür.

Sen ve Wang, makine öğrenmesinin yanlış sonuçlar verdiği birkaç örneği incelemek için sistemi hızlı kontrol etmenin bir yolunu buldu. Her sinir ağı için, öğrenme süreci rastgele bir öğe içerir ve böylece aynı cevaplar kümesi üzerinde eğitilmiş olsa bile sinir ağı, bir girdiyi iki kez aynı yoldan öğrenmez. Araştırmacılar dört farklı sinir ağını eğitti ve farklı şartlardaki sonuçları karşılaştırdılar. Benzer tahminleri yapacak şekilde eğittikleri zaman, doğru yanıta çok yakın sonuçlar aldıklarını gördüler.

“Her cevabı yavaş standart hesaplama modeliyle doğrulamak zorunda olmadığımızı keşfettik. Bunun yerine ‘kalabalığın bilgeliğini’ kullandık.” – Researchers

Araştırmacılar biyolojik sistemler üzerinde çalışırken makine öğrenme modelini kullanmaya karar verdiler. Sinir ağını eğitmek için kullanılan 100.000 veri simülasyonundan sadece bir tanesi üç halkalı bir bakteri kolonisi üretti. Sinir ağının hızı sayesinde Sen ve Wang daha fazla üç halkalı yapı bulmakla kalmayıp, aynı zamanda hangi değişkenlerin halka yapısını oluşturmak konusunda daha önemli olduğunu belirlediler. Wang, “Sinir ağı, ortaya çıkarılması mümkün olmayan değişkenler arasındaki etkileşimleri bulabiliyordu” dedi.

Çalışmalarının son basamağında, Sen ve Wang yaklaşımlarını rastgele çalışan bir biyolojik sistem üzerinde denediler. En doğru sonuca ulaşmak için aynı parametreleri birçok kez tekrarlayan bir bilgisayar modelini gerekti. Araştırmacılar yaklaşımlarının karmaşık birçok  biyolojik sistemi kapsadığını söyledi. Yeni yaklaşımlarını daha karmaşık biyolojik sistemler üzerinde kullanmak istiyorlar. Ekibin sıradaki hedefi algoritmanın verimini arttırmak ve daha hızlı GPU’lu bilgisayarlarda çalıştırmanın yollarını bulmak.

“Sinir ağını 100.000 veri seti ile eğittik fakat bu aşırı yüklemeye de neden olabilirdi. Sinir ağının, simülasyonlar ile eş  zamanlı etkileşim kurarak sistemi hızlandırabileceği bir algoritma geliştiriyoruz. İlk hedefimiz nispeten basit bir sistemdi.” diyor You. “Şimdi bu sinir ağı sistemleriyle daha karmaşık biyolojik devrelerin temel dinamikleri aydınlatmak istiyoruz.”

Bu çalışma the Office of Naval Research (N00014-12-1-0631), the National Institutes of Health (1R01-GM098642) ve David and Lucile Packard Bursu ile desteklenmiştir.

Bilimle kalın.

Kaynak:1) ScienceDaily | Yazı kapak görseli: Credit: © jarun011 / Adobe Stock

2)https://www.tekyolbilim.com/biyolojik-devre-davranislarini-tahmin-eden-makine-ogrenmesi-gelistirildi/

References   [ + ]

1.  ScienceDaily | Yazı kapak görseli: Credit: © jarun011 / Adobe Stock
2. https://www.tekyolbilim.com/biyolojik-devre-davranislarini-tahmin-eden-makine-ogrenmesi-gelistirildi/

İlk yorum yapan olun

Bir Cevap Yazın