Ver traducción automática
Esta es una traducción automática. Para ver el texto original en inglés haga clic aquí
#Novedades de la industria
{{{sourceTextContent.title}}}
El aprendizaje de máquina deja redes celulares del control del Reverso-ingeniero de los científicos
{{{sourceTextContent.subTitle}}}
El flujo de información entre las células en nuestros cuerpos es excesivamente complejo: detectando, señalando, e influencia en un flujo constante de compromisos microscópicos. Estas interacciones son críticas para la vida, y cuando van mal pueden llevar a la enfermedad y a lesión.
{{{sourceTextContent.description}}}
Los científicos han aislado millares de interacciones celulares individuales, pero trazar la red de reacciones que lleva las células uno mismo-a organizar en órganos o melanomas de la forma ha sido un desafío extremo.
“, Mientras que una comunidad se está ahogando en los datos cuantitativos que vienen de experimentos funcionales,” decimos a Michael Levin, profesor de la biología en la universidad de los penachos y director de Allen Discovery Center allí. La “extracción de una comprensión profunda de qué está entrando encendido en el sistema de los datos para hacer algo biomédico útil está consiguiendo más difícilmente y más difícilmente.”
Trabajando con Maria Lobikin, un estudiante del Ph.D. en su laboratorio, y Daniel Lobo, un poste-doc. y ahora un profesor adjunto anterior de la biología y de informática en la Universidad de Maryland, el condado de Baltimore (UMBC), Levin está utilizando el aprendizaje de máquina destapar las redes celulares del control que determinan cómo los organismos se convierten, y a los métodos de diseño para interrumpirlos. El trabajo pavimenta la manera para los tratamientos contra el cáncer de cómputo-diseñados y la medicina regenerador.
“Al final, el valor de las plataformas del aprendizaje de máquina es adentro si pueden conseguirnos a las nuevas capacidades, si para la medicina regenerador u otros acercamientos terapéuticos,” Levin dice.
Escribiendo en informes científicos en enero de 2016, el equipo divulgó los resultados de un estudio donde nunca crearon un renacuajo con una forma de pigmentación mezclada antes de considerado en naturaleza. La conversión parcial de las células normales del pigmento a melanoma-como fenotipo — logrado con una combinación de dos drogas y de un ARN de mensajero — fue predicho por su código del aprendizaje de máquina y después verificado en el laboratorio.
Su trabajo fue facilitado por el superordenador de la precipitación en Texas Advanced Computing Center — uno del más potente del mundo — cuál permitió al equipo correr mil millones de simulaciones para modelar de la red celular y de los medios de alterarla.
Cortar la red (de la célula)
Los renacuajos del género del Xenopus de ranas acuáticas poseen un grupo de células del pigmento que el laboratorio de Levin mostró previamente se podría convertir a melanoma-como resultado interrumpiendo su comunicación eléctrica con otros tipos de la célula.
Con años de experimentos, encontraron que los diversos tratamientos podrían inducir conversiones, pero algunos animales tratados convertirían y algunos no.
“El resultado era de probabilidad, como lanzar una moneda en polarización negativa,” Levin dice. “Pero notable, todas las células lanzaban la misma moneda: un animal dado o convertiría o no, en conjunto. Las células individuales no tomaron decisiones independientes.”
Una de las pruebas más importantes de su modelo inteligencia-derivado artificial era ver si podría ser utilizado para descubrir un tratamiento que rompería la concordancia normal entre las células, e induce un modelo de la sal-y-pimienta en melanoma-como el cual las células individuales dentro de un solo renacuajo elegirían convertirse o no.
Podían no sólo producir este efecto, pero predecir el porcentaje de la población de renacuajos que tendrían la pigmentación mezclada.
“Fui arrancado por el hecho de que la plataforma del aprendizaje de máquina nos consiguió a una capacidad hacer algo que no podríamos hacer antes, en el banco, en organismos vivos reales,” Levin dice. “Era bastante bueno predecir nuevos resultados a los experimentos que nadie había hecho antes.”
Trazado del modelo
Los resultados se ampliaron en la investigación anterior por el equipo que utilizó el aprendizaje de máquina derivar el modelo de control celular para el Xenopus. Para identificar el modelo, el equipo entró los resultados del valor casi de una década de los experimentos del laboratorio en la precipitación, así como los hechos que él había aprendido de estos experimentos y de los de otros laboratorios que trabajaban en estos caminos.
Los experimentos existentes mostraron una variedad de maneras que una droga o una proteína pudo afectar a un proceso dado o a un receptor celular, pero no la imagen completa de cómo el sistema complejo correlacionado o de cómo la dinámica de señalización dio lugar a frecuencias específicas de animales melanoma-convertidos de un tratamiento dado aplicado a una población de animales.
Entre en el sacador del one-two de las matemáticas y del aprendizaje de máquina.
El lobo desarrolló un código que trató la droga y las interacciones celulares como nodos en una red y caracterizados cómo cada componente se comportó como ecuación diferencial. El código entonces combinó aleatoriamente las diversas ecuaciones en cada nodo como cadena de interacciones y anotó cómo cerca esta red de interacciones vino a reproducir los experimentos del laboratorio.
Despidió los resultados que no aproximaron los resultados experimentales, guardó los que estaban más cercanos, y después recombinó los componentes.
Repitiendo este ciclo muchas veces, la combinación de procesos consiguió una mejor y mejor de una forma relacionada con la evolución, hasta que llegara un sistema capaz de predecir resultados del laboratorio. Este método, llamado cómputo evolutivo, se ha utilizado por décadas en ordenador de alto rendimiento, pero nunca antes para el problema de las redes celulares del control.
“Este acercamiento utiliza mucho poder de cómputo,” el lobo dice. “El modelo no es determinista. Tan apenas pues aplicamos una droga a 100 renacuajos, tenemos que simular el modelo 100 veces de conseguir un resultado exacto. Incluso si los modelos son rápidos computar, el algoritmo de aprendizaje de máquina necesita computar mil millones de simulaciones para descubrir exacto las ecuaciones correctas que explican los datos.”
El equipo divulgó los resultados de este trabajo inicial en la señalización de la ciencia en octubre de 2015.
Intervenciones de la ingeniería inversa
Con este modelo a disposición, comenzaron las intervenciones de la droga de la ingeniería inversa que pudieron crear un resultado específico: renacuajos manchados.
Realizando 562 del tipo de experimentos que harían típicamente en el laboratorio virtualmente en la precipitación, el modelo predijo exactamente una trayectoria a la pigmentación manchada: la combinación de tres reactivo — dos inhibidores de la droga y un ARN de mensajero — eso rompería la concordancia definitiva.
Los experimentos del laboratorio confirmaron esta predicción, dando por resultado la conversión parcial de las células del pigmento dentro de los renacuajos individuales.
El modelo que derivaron se ha probado solamente en anfibias hasta ahora, aunque los caminos específicos apuntados se conserven en seres humanos. Por otra parte, la metodología para el descubrimiento y la interrogación modelo será aplicable a una amplia gama de fenómenos.
“Esto es un gran paso adelante para la meta aspirational de cómputo de predecir fenotipos complejos, y con las predicciones de modelado para mejorar salud, para tratar enfermedad, y dirigir organismos vivos útiles,” dijo a Tom Skalak, director ejecutivo de Paul G. Allen Frontiers Group.
El laboratorio de Levin está interesado en la aplicación de este método a la medicina regenerador y a las maneras que las células hacen las decisiones sobre cómo formar y reparar las estructuras anatómicas complejas. (Los resultados anteriores del equipo describieron esfuerzos del aprendizaje de máquina al reverso-ingeniero la capacidad del gusano del planarian de regenerar su cuerpo entero de fragmentos de un gusano.)
“Más allá de las herramientas de corriente de la bioinformática, que manejan datos genomic y de la proteína, queremos desarrollar las plataformas del AI para ayudarnos a entender y controlar el gran escala que modela, los algoritmos que definen forma anatómica, no apenas los mecanismos que dirigen comportamientos individuales de la célula,” Levin dice.
El laboratorio del lobo está aplicando el método a la investigación de cáncer para determinar qué tipo de intervenciones pudo parar la metástasis en sus pistas sin el daño de otras células.
Los “acercamientos tradicionales como ataque de la quimioterapia las células que crecen la mayoría, pero dejan las células que están señalando otras para crecer y que pueden ser las más importantes,” lobo dicen. “Estamos utilizando el aprendizaje de máquina descubrir las redes de comunicaciones entre estas células y con suerte descubrir un tratamiento que pueda hacer el tumor derrumbarse.”
Los resultados de su demostración del estudio del renacuajo cómo ese aprendizaje de máquina puede destapar relaciones ocultadas en sistemas vivos complejos e identificar las manipulaciones específicas que pueden alcanzar un resultado terapéutico.
“El sistema de aprendizaje de máquina contribuyó a la cosa más creativa que lo hacen los científicos: nos ayudó a encontrar un modelo qué está entrando encendido en que este sistema complejo,” Levin de explicación dice. “En el futuro, a medida que los datos continúan acumulando, los ordenadores van a ser un componente esencial del proceso científico, ayudándonos a hacer hipótesis y formulando modelos proféticos, cuantitativos de cómo los sistemas biológicos trabajan.”