Look Out, Wissenschaftler! AI löst 100-Year-Old Regeneration Puzzle
Ein System künstlicher Intelligenz (AI) hat eine Puzzle, das Wissenschaftler seit mehr als 100 Jahren entzogen hat gelöst: wie eine winzige, Süßwasser Flatworm seinen Körperteilen regeneriert.
Das System wurde durch Forscher von der Tufts University in Massachusetts, um mir zu helfen die Berge von experimentellen Daten in der Entwicklungsbiologie mit einer Methode inspiriert von den Prinzipien der Evolution entwickelt.
Um das System zu demonstrieren, die Forscher setzen es auf Daten aus Experimenten auf Planaria arbeiten – winzige Würmer, deren außerordentliche Fähigkeit, komplexe Körperteile wenn zerhackt nachwachsen hat sie ein beliebtes Thema in der regenerativen Medizin gemacht.
Trotz mehr als ein Jahrhundert der Aufmerksamkeit von Wissenschaftlern und immer mehr Einblick in die chemischen Wege, die Steuern, die Stammzellen verantwortlich für die unheimliche Fähigkeit dieser Würmer, regenerieren, konnte niemand kommen mit einem Modell, das den Prozess vollständig erklärt. Das heißt, bis jetzt. [Infografik: Geschichte der künstlichen Intelligenz]
"Die Erfindung der Modelle zu erklären, was die Natur tut ist die kreativsten Sache Wissenschaftler tun – es ist nicht nur Statistiken oder Zahlenverarbeitung, dies ist das Herz und die Seele des wissenschaftlichen Unternehmens," sagte Michael Levin, einer der Autoren der Studie in der Fachzeitschrift PLOS Computational Biology, die das neue System beschreibt 4 Juni veröffentlicht.
"Hier, der Computer wirklich zurück geben mehr als was gesetzt wurde," Levin erzählt Live Science. "Keiner von uns konnte mit diesem Modell einfallen lassen. Wir, als ein Feld so nach über einem Jahrhundert Bemühungen nicht gelungen."
Das System wurde von Daniel Lobo, Post-Doktorand an der Tufts und Co-Autor der Studie programmiert. Es funktioniert durch die Einnahme von Modellen, die versuchen zu erklären, wie Regeneration stattfindet und sie zu einem Prozess der "natürliche Auslese".
Im Wesentlichen sind mögliche Modelle einer virtuellen Simulator durchlaufen, die verschiedene Experimente auf Planaria imitiert; Anschließend werden die Ergebnisse verglichen mit den Ergebnissen der veröffentlichten Experimente in denen Planaria in Stücke geschnitten und manchmal mit Drogen oder indem er klopfte vor Regeneration in vollständige Organismen Gene manipuliert wurden.
In jedem Zyklus die möglichen Modelle, die am besten die Ergebnisse passen werden miteinander, um neue Modelle zu erstellen "gezüchtet" und weniger genaue diejenigen werden verworfen. Dieser Vorgang wird wiederholt, bis die Modelle "entwickeln" zu einem, der die Daten perfekt passt.
Mit diesem Prozess konnte das AI-System ein Modell zu fertigen, die korrekt vorhergesagt alle 16 Experimente im Datensatz innerhalb von 42 Stunden, sagte der Forscher. Darüber hinaus erwartet das Modell die Ergebnisse einer Reihe von neuartige Experimente durchgeführt von den Forschern, die Vorhersagekraft zu testen. [Künstliche Intelligenz: freundlich oder erschreckend?]
Christian Petersen, ein Planarian Experte an der Northwestern University in Evanston, Illinois, sagte, dass diese Funktionen noch nützlicher, da Computer immer leistungsfähiger werden könnte. Schließlich, sagte KI Systeme "helfen könnten Forscher neuartige Hypothesen über Entwicklungsstörungen Wege zu entwickeln, die durch Experimente bestätigt werden konnte," Petersen Live Science.
Bevor das AI-System auf den Planaria Daten arbeiten könnte, musste Levin und Lobo zunächst eine mathematische Sprache erstellen, die die Maschine verstehen konnte, um die Methodik und die Ergebnisse der einzelnen Experimente zu beschreiben.
Die meisten frühere Arbeiten auf Planarian Regeneration setzen auf so genannte Pfeil Diagramme, die zeigen, eine Reihe von Prozessen zur Regeneration notwendig, aber sie enthalten oft eklatante Lücken dazwischen. Durch die Schaffung eines quantitativen Modells, hat der KI-System den gesamten Prozess zum ersten Mal bloßgelegt.
"Die Schönheit des Computers ist, dass es solche Dinge unter den Teppich kehren kann nicht – ein Algorithmus muss angeben, was in jedem Fall passieren wird" sagte Levin. "Das ist eine mächtige Voraussetzung für ein Modell und die Arten von Modellen haben wir, zu bewegen, um diese Art von Experimenten zu nutzen, um regenerative Medizin voranzutreiben."
Levin, sagte die bemerkenswertesten und erfreuliche Ergebnis des Projekts ist, dass das Modell entdeckt vom System auch leicht verständlich durch Menschen und "kein hoffnungslos verworrenen Netz, die eigentlich kein Mensch verstehen konnte."
Die Forscher arbeiten nun daran, um das Modell zu verbessern, und sie hoffen in Zukunft für andere Bereiche der Entwicklungsbiologie, wie das Wachstum des Embryos und sogar Probleme wie selbstreparierende Roboter übernehmen.
"Wir immer besser und besser zu bekommen diese riesigen, tiefen Datasets, aber es wird immer schwieriger und härter für den Menschen Einblick in der Mitte ertrinken in raw-Daten ableiten", sagte Levin. "Dieses Problem und unser Ansatz ist fast universell. Es kann verwendet werden bei allem, wo funktionale Daten vorhanden sind, aber der zugrunde liegende Mechanismus ist schwer zu erraten."
Folgen Sie Live Science @livescience , Facebook & Google + .