UC San Diego School of Medicine forskare utvecklade ett synligt neuralt nätverk och använde det för att bygga DCell, en virtuell modell av en fungerande bryggjästcell.

"Det verkar som att varje gång du vänder dig om, någon pratar om vikten av artificiell intelligens och maskininlärning, sa Trey Ideker, PhD, University of California San Diego School of Medicine och Moores Cancer Center professor. "Men alla dessa system är så kallade "svarta lådor." De kan vara mycket förutsägande, men vi vet faktiskt inte så mycket om hur de fungerar."

Ideker ger ett exempel:maskininlärningssystem kan analysera onlinebeteenden hos miljontals människor för att flagga en individ som en potentiell "terrorist" eller "självmordsrisk." "Ändå har vi ingen aning om hur maskinen nådde den slutsatsen, " han sa.

För att maskininlärning ska vara användbar och pålitlig inom hälso- och sjukvården, Ideker sa, Utövare måste öppna upp den svarta lådan och förstå hur ett system kommer fram till ett beslut.

Maskininlärningssystem är byggda på lager av artificiella neuroner, känt som ett neuralt nätverk. Skikten binds samman av till synes slumpmässiga kopplingar mellan neuroner. Systemen "lär sig" genom att finjustera dessa anslutningar.

Idekers forskargrupp utvecklade nyligen vad de kallar ett "synligt" neuralt nätverk och använde det för att bygga DCell, en modell av en fungerande bryggjästcell, används ofta som modell inom grundforskning. Att göra detta, de samlade all kunskap om cellbiologi på ett ställe och skapade en hierarki av dessa cellulära komponenter. Sedan mappade de vanliga maskininlärningsalgoritmer till denna kunskapsbas.

DCell kan ses på d-cell.ucsd.edu. De tekniska detaljerna publiceras den 5 mars Naturmetoder .

Men det som retar Ideker mest är att DCell inte är en svart låda; kopplingarna är inte ett mysterium och kan inte bildas av en händelse. Istället, "inlärning" styrs endast av verkliga cellulära beteenden och begränsningar kodade från cirka 2, 500 kända cellulära komponenter. Teamet matar in information om gener och genetisk mutation och DCell förutsäger cellulära beteenden, såsom tillväxt. De tränade DCell på flera miljoner genotyper och fann att den virtuella cellen kunde simulera celltillväxt nästan lika exakt som en riktig cell odlad i ett laboratorium.

"Mänsklig kunskap är ofullständig, " sa Jianzhu Ma, PhD, en biträdande forskare i Idekers labb som ledde arbetet med att bygga DCell. "Vi vill komplettera den kunskapen för att vägleda förutsägelser, inom vården och på andra håll."

Ideker och Ma satte också DCell på prov. Om de avsiktligt matade systemet med falsk information, det skulle inte fungera. Ta ribosomer, till exempel. Celler använder dessa små biologiska maskiner för att översätta genetisk information till proteiner. Men om forskarna istället kopplade ribosomer till en orelaterade process som apoptos, ett system som celler använder för att begå självmord, DCell kunde inte längre förutsäga celltillväxt. Den virtuella cellen "vet" att det nya arrangemanget inte är biologiskt möjligt.

Ideker och hans kollegor på Cancer Cell Map Initiative, som han medregisserar, genererar nu några av de experimentella data som de behöver för att bygga en DCell för cancer hos människor. Sedan kommer de att bestämma hur man bäst anpassar denna virtuella cellmetod för en patients unika biologi.

"Vi vill en dag kunna mata in dina specifika cancerrelaterade genetiska mutationer och få tillbaka en avläsning om hur aggressiv din cancer är, och det bästa terapeutiska tillvägagångssättet för att förhindra dess tillväxt och metastaser, sa Ideker, som också är grundare av UC San Diego Center for Computational Biology and Bioinformatics.