Los investigadores de la Facultad de Medicina de UC San Diego desarrollaron una red neuronal visible y la utilizaron para construir DCell, un modelo virtual de una célula de levadura de cerveza en funcionamiento.

"Parece que cada vez que te das la vuelta, alguien está hablando de la importancia de la inteligencia artificial y el aprendizaje automático, "dijo Trey Ideker, Doctor, Profesor de la Facultad de Medicina de la Universidad de California en San Diego y del Centro de Cáncer Moores. “Pero todos estos sistemas son las llamadas 'cajas negras'. Pueden ser muy predictivos pero en realidad no sabemos mucho sobre cómo funcionan ".

Ideker da un ejemplo:los sistemas de aprendizaje automático pueden analizar los comportamientos en línea de millones de personas para marcar a un individuo como un potencial "terrorista" o "riesgo de suicidio". "Sin embargo, no tenemos idea de cómo llegó la máquina a esa conclusión, " él dijo.

Para que el aprendizaje automático sea útil y confiable en el cuidado de la salud, Ideker dijo:los profesionales deben abrir la caja negra y comprender cómo un sistema llega a una decisión.

Los sistemas de aprendizaje automático se basan en capas de neuronas artificiales, conocida como red neuronal. Las capas están unidas por conexiones aparentemente aleatorias entre neuronas. Los sistemas "aprenden" ajustando esas conexiones.

El equipo de investigación de Ideker desarrolló recientemente lo que ellos llaman una red neuronal "visible" y la usó para construir DCell, un modelo de una célula de levadura de cerveza en funcionamiento, comúnmente utilizado como modelo en la investigación básica. Para hacer esto, acumularon todo el conocimiento de la biología celular en un solo lugar y crearon una jerarquía de estos componentes celulares. Luego, asignaron algoritmos estándar de aprendizaje automático a esta base de conocimientos.

DCell se puede ver en d-cell.ucsd.edu. Los detalles técnicos se publican el 5 de marzo en Métodos de la naturaleza .

Pero lo que más entusiasma a Ideker es que DCell no es una caja negra; las conexiones no son un misterio y no pueden formarse por casualidad. En lugar de, El "aprendizaje" está guiado solo por comportamientos celulares del mundo real y restricciones codificadas a partir de aproximadamente 2, 500 componentes celulares conocidos. El equipo ingresa información sobre genes y mutaciones genéticas y DCell predice comportamientos celulares, como el crecimiento. Entrenaron a DCell en varios millones de genotipos y descubrieron que la célula virtual podía simular el crecimiento celular con casi la misma precisión que una célula real cultivada en un laboratorio.

"El conocimiento humano es incompleto, "dijo Jianzhu Ma, Doctor, un científico investigador asistente en el laboratorio de Ideker que dirigió los esfuerzos para construir DCell. "Queremos completar ese conocimiento para ayudar a orientar las predicciones, en el cuidado de la salud y en otros lugares ".

Ideker y Ma también pusieron a prueba a DCell. Si alimentaron deliberadamente al sistema con información falsa, no funcionaría. Toma ribosomas, por ejemplo. Las células utilizan estas diminutas máquinas biológicas para traducir la información genética en proteínas. Pero si los investigadores, en cambio, conectaron los ribosomas a un proceso no relacionado como la apoptosis, un sistema que usan las células para suicidarse, DCell ya no podía predecir el crecimiento celular. La célula virtual "sabe" que el nuevo arreglo no es biológicamente posible.

Ideker y sus colegas de Cancer Cell Map Initiative, que codirige, ahora están generando algunos de los datos experimentales que necesitan para construir un DCell para el cáncer humano. Luego, determinarán la mejor manera de personalizar este enfoque de célula virtual para la biología única de un paciente.

"Queremos que algún día podamos ingresar sus mutaciones genéticas específicas relacionadas con el cáncer y obtener una lectura sobre qué tan agresivo es su cáncer, y el mejor enfoque terapéutico para prevenir su crecimiento y metástasis, "dijo Ideker, quien también es fundador del Centro de Biología Computacional y Bioinformática de UC San Diego.