I ricercatori della UC San Diego School of Medicine hanno sviluppato una rete neurale visibile e l'hanno usata per costruire DCell, un modello virtuale di una cellula di lievito di birra funzionante.

"Sembra che ogni volta che ti giri, qualcuno sta parlando dell'importanza dell'intelligenza artificiale e del machine learning, " ha detto Trey Ideker, dottorato di ricerca, Professore della School of Medicine dell'Università della California di San Diego e del Moores Cancer Center. "Ma tutti questi sistemi sono le cosiddette 'scatole nere'. Possono essere molto predittivi, ma in realtà non sappiamo molto su come funzionano."

Ideker fa un esempio:i sistemi di apprendimento automatico possono analizzare i comportamenti online di milioni di persone per segnalare un individuo come potenziale "terrorista" o "a rischio suicidio". "Eppure non abbiamo idea di come la macchina abbia raggiunto quella conclusione, " Egli ha detto.

Affinché l'apprendimento automatico sia utile e affidabile nell'assistenza sanitaria, Ideker ha detto, i praticanti devono aprire la scatola nera e capire come un sistema arriva a una decisione.

I sistemi di apprendimento automatico sono costruiti su strati di neuroni artificiali, nota come rete neurale. Gli strati sono legati insieme da connessioni apparentemente casuali tra i neuroni. I sistemi "imparano" mettendo a punto tali connessioni.

Il team di ricerca di Ideker ha recentemente sviluppato quella che chiamano una rete neurale "visibile" e l'ha usata per costruire DCell, un modello di cellula di lievito di birra funzionante, comunemente usato come modello nella ricerca di base. Per fare questo, hanno accumulato tutta la conoscenza della biologia cellulare in un unico luogo e hanno creato una gerarchia di questi componenti cellulari. Quindi hanno mappato algoritmi di apprendimento automatico standard su questa knowledge base.

DCell può essere visualizzato su d-cell.ucsd.edu. I dettagli tecnici sono pubblicati il ​​5 marzo in Metodi della natura .

Ma ciò che entusiasma di più Ideker è che DCell non è una scatola nera; le connessioni non sono un mistero e non possono formarsi per caso. Anziché, "l'apprendimento" è guidato solo dai comportamenti cellulari del mondo reale e dai vincoli codificati da circa 2, 500 componenti cellulari noti. Il team immette informazioni su geni e mutazioni genetiche e DCell predice i comportamenti cellulari, come la crescita. Hanno addestrato DCell su diversi milioni di genotipi e hanno scoperto che la cellula virtuale potrebbe simulare la crescita cellulare con la stessa precisione di una cellula reale cresciuta in laboratorio.

"La conoscenza umana è incompleta, " disse Jianzhu Ma, dottorato di ricerca, un assistente ricercatore nel laboratorio di Ideker che ha guidato gli sforzi per costruire DCell. "Vogliamo completare quella conoscenza per aiutare a guidare le previsioni, in sanità e altrove».

Anche Ideker e Ma hanno messo alla prova DCell. Se hanno deliberatamente fornito al sistema informazioni false, non funzionerebbe. Prendi i ribosomi, Per esempio. Le cellule usano queste minuscole macchine biologiche per tradurre le informazioni genetiche in proteine. Ma se i ricercatori hanno invece collegato i ribosomi a un processo non correlato come l'apoptosi, un sistema che le cellule usano per suicidarsi, DCell non poteva più prevedere la crescita cellulare. La cellula virtuale "sa" che la nuova disposizione non è biologicamente possibile.

Ideker e i suoi colleghi della Cancer Cell Map Initiative, di cui è co-direttore, stanno ora generando alcuni dei dati sperimentali di cui hanno bisogno per costruire una DCell per il cancro umano. Quindi determineranno il modo migliore per personalizzare questo approccio cellulare virtuale per la biologia unica di un paziente.

"Vogliamo un giorno essere in grado di inserire le tue specifiche mutazioni genetiche legate al cancro e ottenere una lettura su quanto sia aggressivo il tuo cancro, e il miglior approccio terapeutico per prevenirne la crescita e le metastasi, " disse Ideker, che è anche fondatore dell'UC San Diego Center for Computational Biology and Bioinformatics.