首页科技 › 合成生物学用于节制细菌生长和和睦药物释放

合成生物学用于节制细菌生长和和睦药物释放

澳门新葡亰官方网站 1

澳门新葡亰官方网站 2

澳门新葡亰官方网站,可视化深度学习揭示基因如何影响细胞特征

澳门新葡亰官方网站 3

澳门新葡亰娱乐官网,似乎每次你转过身,有人都在谈论人工智能和机器学习的重要性,加州大学圣地亚哥分校医学院和摩尔癌症中心教授Trey
Ideker博士说。但所有这些系统都是所谓的黑匣子。它们可以非常具有预测性,但我们实际上并不了解它们的工作方式。

现代人工智能系统中举重若轻的深度神经网络的神秘工作原理依然未被世人知晓。

本报讯
美国研究人员开发出一种过程可获取的深度学习计算机新算法,能够揭示细胞的内部活动。相关论文3月6日在线发表于《自然—方法》。

加利福尼亚大学圣地亚哥分校和麻省理工学院(MIT)的研究人员提出了在治疗学中使用合成生物学的策略。该方法使得能够在小鼠的疾病部位连续生产和释放药物,同时限制用于生产药物的细菌群体随时间的大小。该研究结果发表在7月20日的自然在线期刊上。

Ideker举了一个例子:机器学习系统可以分析数百万人的在线行为,将个人标记为潜在的恐怖分子或自杀风险。但我们不知道机器如何得出这个结论,他说。

它们就像是黑盒子:在一端输入一个问题后(比如,图片里的是一只猫吗?这场围棋中下一步最好策略是?无人驾驶汽车在这个黄灯亮起的路口是否应该加速?),就能在另一端得到答案。我们或许不能知道AI系统这个黑盒子的具体工作原理,但我们知道它能有效工作。

人工智能可以执行多种通常需要人类完成的复杂任务,比如面部识别、语言翻译和玩游戏。深度学习网络也称人工神经网络,它们越来越多地被用于生物数据分析自动化。

由生物工程和生物学教授杰夫哈斯特(Jeff
Hasty)领导的加州大学圣地亚哥分校的研究人员设计了一种临床相关细菌来生产抗癌药物,然后在肿瘤部位自我毁灭并释放药物。然后,研究小组将细菌治疗转移到麻省理工学院的合作者,进行结肠直肠转移动物模型的检测。该疗法的设计代表了来自加州大学圣地亚哥分校的四篇以前的自然论文的高潮,这些论文描述了工程化遗传时钟和同步的系统发展。多年来,研究人员采用了一种跨越合成生物学范围的广泛方法。

为了使机器学习在医疗保健中变得有用和值得信赖,Ideker说,从业者需要打开黑匣子并了解系统如何做出决定。

在一项新的研究中,研究人员将神经网络嵌入一个简单的酵母细胞中,并由此观察到AI系统是怎么运行的。同时这能揭示细胞生物学的进程。这项研究的成果可用于新型癌症药物和个体化医疗的发展。

深度学习模型的一个挑战是它们的“黑箱”性质,也就是说无法轻易鉴定一个模型执行某项任务时的过程。

这项新研究提供了一种治疗方法,可最大限度地减少对周围细胞的伤

机器学习系统建立在人工神经元层上,称为神经网络。这些层通过神经元之间看似随机的连接而连接在一起。系统通过微调这些连接来学习。

首先,让我们了解一下如今机器学习中一些关于神经网络的基础知识。

在生物应用方面,调查深度学习模型如何识别和处理所分析的数据的能力或许可以帮助研究者更好地理解这些数据背后的生物学。

在合成生物学中,疗法的一个目标是针对疾病部位并将损害降至最低,加州大学圣地亚哥分校生物工程和生物学教授杰夫哈斯特说。他想知道是否可以设计遗传杀死回路以控制体内细菌群,从而最大限度地减少其生长。我们还希望为疾病部位提供重要的治疗有效载荷。

在最近发表在Nature
Methods上的一项研究中,Ideker的研究团队最近开发了他们所谓的可见神经网络,并用它来构建DCell,这是一种功能正常的啤酒酵母细胞模型,通常用作基础研究的模型。为此,他们在一个地方积累了细胞生物学的所有知识,并创建了这些细胞成分的层次结构。然后他们将标准机器学习算法映射到该知识库。

我们感兴趣的是由进化过程而不是计算机学家们优化的神经网络。—Trey Ideker,
UC San Diego

加州大学圣地亚哥分校的Trey
Ideker及同事通过将一个深度学习算法的结构映射在已知细胞内分子系统的结构上,创建了一个“可视的”人工神经网络。研究人员表示,一旦模型完成训练,它便能够预测遗传变化的生理影响。

为了实现这一目标,当细菌菌落在肿瘤环境中自我破坏时,他和他的团队将细菌同步以释放已知癌症药物的爆发。使用细菌在体内递送抗癌药物是诱人的,因为常规化疗并不总是到达肿瘤的内部区域,但细菌可以在那里定殖。重要的是,研究人员观察到化学疗法与细菌回路产生的基因产物的结合可以持续减少肿瘤的大小。

但最令Ideker兴奋的是DCell不是黑盒子;这种联系并不是一个谜,也不能通过偶然事件来形成。相反,学习仅由现实世界的细胞行为和约2,500个已知细胞成分编码的约束引导。该团队输入有关基因和基因突变的信息,DCell预测细胞行为,如生长。他们对数百万基因型的DCell进行了培训,发现虚拟细胞可以模拟细胞生长,几乎与实验室培养的真细胞一样准确。

计算机学家们通过设置不同的层来搭建神经网络的框架,每一层都包含了上千个执行简单指令的“神经元”。训练模型时,给神经网络投喂一个数据集(可以是百万张关于喵星人和汪星人的照片,百万种围棋走法,百万种驾驶行为与相应结果的配对数据),系统调配每层的神经元进行系统化的有序计算。数据经过神经网络后得到了结果,随后系统会评估神经网络的工作性能。最后重新调整神经元间的连接模式,再次输入数据,检测新的神经网络性能是否有所提升。当神经网络的性能达到一定准确率后,才能认为训练成功。

此外,由于模型的组分均可获取,它也能让科学家更好地理解基因与生理特征关系背后的机制。研究人员指出,一个可视的神经网络可以被用于理解遗传逻辑,鉴定哪些分子系统对特定生理特征有重要影响,以及发现细胞中的新过程。

合成生物学理论如何能够带来临床上有意义的进步,这是杰夫赫斯特和团队的新作品,麻省理工学院教授吉姆柯林斯说,他是合成生物学领域的创始人。十多年前,在该领域的早期阶段,杰夫开发了一个理论框架,用于在细胞群体中同步细胞过程。现在,他的团队已经通过实验证明了如何利用这些效应创造一种新颖的,临床上可行的治疗方法。

转载本站文章请注明出处:澳门新葡亰官方网站 http://www.radioritmo-bl.com/?p=1451

上一篇:

下一篇:

相关文章