Компьютерная биология: Расшифровка зашумленных данных для предсказания роста клеток

Ученые из Института промышленных наук Токийского университета разработали алгоритм машинного обучения для предсказания размера отдельной клетки по мере ее роста и деления. Используя искусственную нейронную сеть, которая не накладывает общепринятых в биологии допущений, компьютер смог делать более сложные и точные прогнозы, чем ранее. Эта работа может помочь продвинуть область количественной биологии, а также улучшить промышленное производство лекарств или ферментированных продуктов.

Исследователи реализовали алгоритм машинного обучения, который использует измеренный размер одиночных клеток с течением времени для предсказания их будущего размера. Поскольку компьютер автоматически распознает закономерности в данных, он не ограничен, как традиционные методы.

Данные для этого исследования были собраны либо с бактерии Escherichia coli, либо с дрожжевой клетки Schizosaccharomyces pombe, удерживаемых в микрофлюидном канале при различных температурах. График размера во времени выглядел как «пила», поскольку экспоненциальный рост прерывался событиями деления.

Обычно биологи используют «sizer»-модель, основанную на абсолютном размере клетки, или «adder»-модель, основанную на увеличении размера с момента рождения, чтобы предсказать, когда произойдет деление. Компьютерный алгоритм нашел подтверждение принципу «adder», но как части сложной сети биохимических реакций и сигналов.

«В биологии часто используются простые модели, основанные на их способности воспроизводить измеренные данные. Однако модели могут не улавливать то, что происходит на самом деле, из-за человеческих предубеждений», — говорит первый автор Ацуси Камимура.

«Наша глубокая нейронная сеть может эффективно отделить детерминированные факторы, зависящие от истории, от шума в предоставленных данных», — говорит старший автор Тэцуя Кобаяси.

Этот метод может быть расширен на многие другие аспекты биологии, помимо предсказания размера клетки. В будущем науки о жизни могут больше определяться объективным искусственным интеллектом, чем человеческими моделями. Это может привести к более эффективному контролю микроорганизмов, используемых для ферментации продуктов и производства лекарств.