Wie helfen Computer Biologen Riss Leben Geheimnisse
Computer zur Rettung
Trainingscomputer, durch die Simulation der Vorgänge im Gehirn zu "denken"
Wir haben eine interessante Art von Maschine lernen, genannt eines neuronalen Netzes (ANN), in unserem eigenen Labor verwendet. Gehirne sind stark vernetzten Netzwerken von Neuronen, die durch senden elektrische Impulse durch die neurale Verdrahtung kommunizieren. In ähnlicher Weise simuliert ein ANN im Computer ein Netzwerk von Neuronen wie sie in Reaktion auf Signale von anderen Neuronen aktivieren bzw. deaktivieren.
Wir können durch Algorithmen, die die Prozesse der echten Neuronen zu imitieren, das Netzwerk lernen viele Arten von Problemen zu lösen. Google verwendet einen leistungsstarken ANN für seine inzwischen berühmte tiefen Traum-Projekt wo Computer zu klassifizieren und sogar Bilder erstellen können.
Vorhersagen über maschinelles lernen
Zum Beispiel ist in unserem Bereich der T-Zelle Biologie, zu wissen, welche virales Protein-Codes zum Ziel entscheidend bei der Entwicklung von Impfstoffen und Behandlungen. Aber es gibt so viele einzelne Protein-Codes von bestimmten Viren, dass ist sehr teuer und schwierig zu experimentell jeweils testen.
Stattdessen haben wir das künstliche neuronale Netz zu helfen, die Maschine alle wichtigen biochemische Eigenschaften der zwei Arten von Protein-Codes – normale versus abnorme lernen ausgebildet. Dann fragten wir das Modell "Vorhersagen", welches neue virale Protein Codes "unnormal" Kategorie ähneln und von T-Zellen und somit das Immunsystem gesehen werden könnte. Wir testeten das ANN-Modell auf verschiedenen Virusproteinen, die nie zuvor untersucht wurden.
Sicher genug, war wie ein fleißiger Student eifrig zu den Lehrer zu gefallen, das neuronale Netz in der Lage, die meisten solche T-Zelle-aktivierende Protein-Codes innerhalb dieses Virus genau zu identifizieren. Wir testeten auch experimentell die Protein-Codes es markiert, um die Genauigkeit der Vorhersagen der ANN zu überprüfen. Mit diesem Modell des neuronalen Netzes kann ein Wissenschaftler so schnell Vorhersagen alle wichtigen kurzen Protein-Codes von einem schädlichen Virus und testen, um eine Behandlung oder einen Impfstoff, anstatt zu raten und testen sie individuell zu entwickeln.
Durchführung des maschinellen Lernens mit Bedacht
Dank ständiger Verfeinerung zunehmend big Data Science und maschinellem Lernen unverzichtbar für jede Art von wissenschaftlicher Forschung. Die Möglichkeiten für die Verwendung von Computern zu trainieren und Vorhersagen in der Biologie sind fast endlos. Herauszufinden, welche Kombination von Biomarkern sind am besten für die Erkennung ist eine Krankheit zu verstehen, warum nur einige Patienten profitieren von einer bestimmten Krebs-Behandlung, Bergbau große Datenmengen mit Computern, eine wertvolle Route für Forschung geworden.
Natürlich gibt es Einschränkungen. Das größte Problem mit der big-Data-Wissenschaft ist die Daten selbst. Wenn Daten von Omics - Studien von Anfang an fehlerhaft sind, oder basierend auf schlampige Wissenschaft, werden die Maschinen auf ungültige Daten – führt zu schlechten Vorhersagen trainieren. Der Schüler ist nur so gut wie der Lehrer.
Weil Computer fühlenden (noch) nicht, sie können in ihrem Bestreben, für Muster mit ihnen zu kommen auch wenn keiner vorhanden sind, geben auferstehen, um fehlerhafte Daten und nonreproducible Wissenschaft.
Und einige Forscher haben Bedenken wegen Computern immer Black Boxes der Daten für Wissenschaftler, die nicht eindeutig verstehen, Manipulationen und Intrigen, dass sie in ihrem Namen durchführen.
Trotz dieser Probleme weiterhin die Vorteile von big Data und Maschinen machen wertvolle Partner in der wissenschaftlichen Forschung. Mit Vorbehalte sind wir eindeutig balanciert, um Biologie durch die Augen einer Maschine zu verstehen.
Gesundheitssysteme, Schule für biologische, Sri Krishna, Doktorand und biologischen Design Engineering, Arizona State University und Diego Chowell, Doktorand in angewandter Mathematik, Arizona-Landesuniversität
Dieser Artikel erschien ursprünglich auf das Gespräch. Lesen Sie die