{{{sourceTextContent.title}}}

L'apprentissage automatique laisse les réseaux cellulaires de contrôle de désosser de scientifiques

{{{sourceTextContent.subTitle}}}

Le flux d'information entre les cellules dans nos corps est excessivement complexe : sentant, signalant, et influence dans un débit constant des engagements microscopiques. Ces interactions sont critiques pendant la vie, et quand elles vont de travers peuvent mener à la maladie et à la blessure.

{{{sourceTextContent.description}}}

Les scientifiques ont isolé des milliers de différentes interactions cellulaires, mais dresser une carte le réseau des réactions qui mène des cellules auto-organiser en organes ou mélanomes de forme a été un défi extrême.

« Nous, pendant qu'une communauté se noient dans des données quantitatives venant des expériences fonctionnelles, » dit Michael Levin, professeur de biologie chez Université de Tufts et directeur d'Allen Discovery Center là. La « extraction d'une compréhension profonde de que se passe-t-il dans le système à partir des données afin de faire quelque chose biomédical utile obtient plus dur et plus dur. »

Travaillant avec Maria Lobikin, un étudiant de Ph.D. dans son laboratoire, et Daniel Lobo, un ancien courrier-Doc. et maintenant un assistant de biologie et de l'informatique à l'Université du Maryland, le comté de Baltimore (UMBC), Levin emploie l'apprentissage automatique pour découvrir les réseaux cellulaires de contrôle qui déterminent comment les organismes se développent, et aux méthodes de conception pour les perturber. Le travail prépare le terrain pour les traitements contre le cancer informatique-conçus et la médecine régénératrice.

« En fin de compte, la valeur des plates-formes d'apprentissage automatique est dedans s'ils peuvent nous obtenir à de nouvelles capacités, si pour la médecine régénératrice ou d'autres approches thérapeutiques, » Levin indique.

Écrivant dans des rapports scientifiques en janvier 2016, l'équipe a rapporté les résultats d'une étude où ils n'ont jamais créé un têtard avec une forme de pigmentation mélangée avant vu en nature. La conversion partielle des cellules normales de colorant en phénotype comme un mélanome — accompli par une combinaison de deux drogues et ARN messager — a été prévu par leur code d'apprentissage automatique et puis vérifié dans le laboratoire.

Leur travail a été facilité par l'ordinateur géant de ruée chez Texas Advanced Computing Center — un du plus puissant au monde — ce qui a permis à l'équipe de courir des milliards de simulations afin de modeler du réseau cellulaire et des moyens de le changer.

Entailler le réseau (de cellules)

Les têtards du genre de Xenopus des grenouilles aquatiques possèdent un groupe de cellules de colorant que le laboratoire de Levin a précédemment montré pourrait être converti en résultats comme un mélanome en interrompant leur communication électrique avec d'autres types de cellules.

Au cours des années des expériences, ils ont constaté que les divers traitements pourraient induire des conversions, mais quelques animaux traités convertiraient et certains pas.

« Les résultats étaient probabilistes, comme jeter une pièce de monnaie en l'air décentrée, » Levin indique. « Mais remarquablement, toutes les cellules jetaient la même pièce de monnaie en l'air : un animal donné ou convertirait ou pas, dans son ensemble. Les différentes cellules n'ont pas pris des décisions indépendantes. »

Un des essais les plus importants de leur modèle intelligence-dérivé artificiel était de voir s'il pourrait être employé pour découvrir un traitement qui casserait la concordance normale parmi des cellules, et induit un modèle de sel-et-poivre dans lequel les différentes cellules dans un têtard simple choisiraient de devenir comme un mélanome ou pas.

Ils pouvaient non seulement produire cet effet, mais prévoir le pourcentage de la population des têtards qui auraient la pigmentation mélangée.

« J'ai été soufflé parti par le fait que la plate-forme d'apprentissage automatique nous a obligés à une capacité à faire quelque chose que nous ne pourrions pas faire avant, au banc, à de vrais organismes vivants, » Levin indique. « Il était assez bon de prévoir de nouveaux résultats aux expériences que personne n'avait faites avant. »

Cartographie du modèle

Les résultats ont examiné la recherche précédente par l'équipe qui avait l'habitude l'apprentissage automatique pour dériver le modèle de contrôle cellulaire pour le Xenopus. Pour identifier le modèle, l'équipe a entré les résultats presque de la valeur d'une décennie des expériences de laboratoire dans la ruée, aussi bien que les faits qu'elles avaient appris de ces expériences et de ceux d'autres laboratoires travaillant à ces voies.

Les expériences existantes ont montré un grand choix de manières qu'une drogue ou une protéine pourrait affecter un processus donné ou un récepteur cellulaire, mais pas l'image entière de la façon dont le système complexe en corrélation ou de la façon dont la dynamique de signalisation a provoqué des fréquences spécifiques des animaux mélanome-convertis d'un traitement donné appliqué à une population des animaux.

Entrez dans le poinçon d'une-deux des mathématiques et de l'apprentissage automatique.

Lobo a développé un code qui a traité la drogue et les interactions cellulaires comme noeuds sur un réseau et caractérisés comment chaque composant s'est comporté comme équation. Le code alors a aléatoirement combiné les diverses équations à chaque noeud comme chaîne des interactions et a marqué comment étroitement ce réseau des interactions est venu à reproduire les expériences de laboratoire.

Il a écarté les résultats qui n'ont pas rapproché les résultats expérimentaux, a gardé ceux qui étaient plus étroits, et a puis recombiné les composants.

Répétant ce cycle beaucoup de fois, la combinaison des processus est devenue meilleure et meilleure en quelque sorte apparentée à l'évolution, jusqu'à ce qu'elle soit arrivée à un système capable de prévoir des résultats de laboratoire. Cette méthode, appelée le calcul évolutionnaire, a été employée pendant des décennies dans l'ordinateur à haut rendement, mais jamais avant pour le problème des réseaux cellulaires de contrôle.

« Cette approche emploie beaucoup de puissance informatique, » Lobo indique. « Le modèle n'est pas déterministe. Tellement juste comme nous appliquons une drogue à 100 têtards, nous devons simuler le model 100 fois d'obtenir un résultat précis. Même si les modèles sont rapides pour calculer, l'algorithme d'apprentissage automatique doit calculer des milliards de simulations pour découvrir avec précision les équations correctes expliquant les données. »

L'équipe a rapporté les résultats de ce premier travail dans la signalisation de la Science en octobre 2015.

interventions d'Inverse-ingénierie

Avec ce modèle à disposition, ils ont commencé les interventions de drogue d'inverse-ingénierie qui pourraient créer un résultat spécifique : têtards tachetés.

Exécutant 562 du type d'expériences qu'ils feraient typiquement dans le laboratoire pratiquement sur la ruée, le modèle a prévu exactement un chemin à la pigmentation tachetée : la combinaison de trois réactifs — deux inhibiteurs de drogue et ARNs messager un — cela casserait la concordance définitive.

Les expériences de laboratoire ont confirmé cette prévision, ayant pour résultat la conversion partielle des cellules de colorant dans différents têtards.

Le modèle qu'ils ont dérivé seulement a été examiné dans les amphibiens jusqu'ici, bien que les voies spécifiques visées soient conservées chez l'homme. D'ailleurs, la méthodologie pour la découverte et l'interrogation modèles s'appliquera à un large éventail de phénomènes.

« C'est un grand pas en avant pour le but aspirational de prévoir informatique des phénotypes complexes, et en utilisant les prévisions de modélisation pour améliorer la santé, pour traiter la maladie, et machiner les organismes vivants utiles, » a dit Tom Skalak, directeur exécutif de Paul G. Allen Frontiers Group.

Le laboratoire de Levin est intéressé à s'appliquer cette méthode à la médecine régénératrice et aux manières dont les cellules font à des décisions au sujet de la façon former et réparer les structures anatomiques complexes. (Les résultats précédents par l'équipe ont décrit des efforts d'apprentissage automatique au désosser la capacité du ver de planarian de régénérer son corps entier des fragments d'un ver.)

« Au delà des calibres de courant de la bio-informatique, qui traitent des données genomic et de protéine, nous voulons développer des plates-formes d'AI pour nous aider à comprendre et commander la large échelle modelant, les algorithmes qui définissent la forme anatomique, pas simplement les mécanismes guidant différents comportements de cellules, » Levin indique.

Le laboratoire de Lobo s'applique la méthode à la recherche sur le cancer pour déterminer quel type d'interventions pourrait arrêter la métastase dans ses voies sans endommager d'autres cellules.

« Les approches traditionnelles comme l'attaque de chimiothérapie les cellules qui élèvent les la plupart, mais laisse les cellules qui signalent d'autres pour se développer et qui peuvent être les plus importantes, » Lobo dit. « Nous employons l'apprentissage automatique pour découvrir les réseaux de transmission entre ces cellules et pour découvrir si tout va bien un traitement qui peut faire effondrer la tumeur. »

Les résultats de leur exposition d'étude de têtard comment que l'apprentissage automatique peut découvrir des relations cachées dans les systèmes vivants complexes et identifier les manipulations spécifiques qui peuvent réaliser des résultats thérapeutiques.

« Le système d'apprentissage automatique a contribué à la chose la plus créative que les scientifiques font : il nous a aidés à trouver un modèle expliquer que se passe-t-il dans ce système complexe, » Levin indique. « À l'avenir, pendant que les données continuent à s'accumuler, les ordinateurs vont être un composant essentiel du processus scientifique, nous aidant à faire des hypothèses et formulant les modèles prévisionnels et quantitatifs de la façon dont les systèmes biologiques fonctionnent. »