Page 2 - BİOMEDYA SAYI 23

02 BİYOTEKNOLOJİ VE YAŞAM BİLİMLERİ GAZETESİ Kasım - Aralık 2019 www.biomedya.com

BİYOLOJİK DEVRE

DAVRANIŞLARINI TAHMİN

EDEN MAKİNE ÖĞRENMESİ

GELİŞTİRİLDİ

Tahmin edilmesi güç olan gen düzenlemesi yapılmış
bakterilerin karmaşık değişkenleri arasındaki ilişkileri
modelleyebilen bir makine öğrenme algoritması
geliştirildi.

Yapay sinir ağları, biyolojik devrelerin oldu. Oyunun basit kuralları olmasına Wang, orijinal modelden çok daha hızlı ağı, ortaya çıkarılması mümkün olmayan
karmaşık yapılarını aydınlatmak için rağmen bilgisayarın en iyi hamleyi bir şekilde tahmin yapabilen derin sinir değişkenler arasındaki etkileşimleri
devrelerin modelleme sürelerini seçmesi pek çok etkene bağlıydı. Bizler ağı (deep neural network) denilen bir bulabiliyordu” dedi.
azalttı. Duke Üniversitesi’nden bir grup de, bu gelişmelerin bilmediğimiz biyolojik makine öğrenme modeli geliştirdi. Bu
biyomedikal mühendis, normalde tahmin olayların aydınlatılmasında yararı olup derin sinir ağı; model değişkenleri girdi Çalışmalarının son basamağında, Sen
edilmesi güç olan gen düzenlemesi olamayacağını merak ettik’’ dedi. Prof. olarak alır, başlangıçta rastgele eğilimleri ve Wang yaklaşımlarını rastgele çalışan
yapılmış bakterilerin karmaşık değişkenleri Lingchong You ve çalışma arkadaşı verir ve bakteri kolonisinin hangi deseni bir biyolojik sistem üzerinde denediler.
arasındaki ilişkileri modelleyebilen bir Shangying Wang’in en çok zorlandıkları oluşacağına dair bir tahmin ortaya koyar. En doğru sonuca ulaşmak için aynı
makine öğrenimi geliştirdiler. Geliştirdikleri nokta; gen düzenlemesi yapılmış bir Bu işlemde ara adımları tamamen atlayıp parametreleri birçok kez tekrarlayan bir
bu makine öğrenme algoritmasının, devrenin, bakteri kültüründe hangi sonuca ulaşır. Eğer sonuçlar, doğru
biyolojik pek çok sistem için genellenebilir parametreler ile spesifik bir model yanıttan çok uzaksa eğilimler her seferde bilgisayar modelini gerekti. Araştırmacılar
nitelikte olmasıyla dikkat çekiyor. üretebileceğinin belirlenmesiydi. değiştirilerek sinir ağı tekrar eğitilebilir. Bir yaklaşımlarının karmaşık birçok biyolojik
Yapılan bu yeni çalışmada araştırmacılar, sinir ağının, yeterli eğitimden sonra daima sistemi kapsadığını söyledi. Yeni
sinir ağlarını eğiterek bakteri kültüründeki Önceki bir çalışmada You ve ekibi, doğru tahminler yapması mümkündür. yaklaşımlarını daha karmaşık biyolojik
biyolojik devrenin dairesel desenini tahmin kültürün büyüme özelliklerine bağlı sistemler üzerinde kullanmak istiyorlar.
edebilmesini amaçladılar. Bu sistem, olarak halka oluşturan ve etkileşime Sen ve Wang, makine öğrenmesinin yanlış Ekibin sıradaki hedefi algoritmanın
mevcut hesaplama modelinden 30,000 giren proteinler üretmek için bakterileri sonuçlar verdiği birkaç örneği incelemek verimini arttırmak ve daha hızlı GPU’lu
kat daha hızlı çalıştı. programlamışlardı. Araştırmacılar, büyüme için sistemi hızlı kontrol etmenin bir yolunu bilgisayarlarda çalıştırmanın yollarını
ortamının büyüklüğü ve sağlanan besin buldu. Her sinir ağı için, öğrenme süreci bulmak.
Araştırmacılar, verinin doğruluğunu miktarı gibi değişkenlerin; halkanın rastgele bir öğe içerir ve böylece aynı
test etmek için öğrenme sonuçlarını kalınlığını, uzunluğunu ve diğer özelliklerini cevaplar kümesi üzerinde eğitilmiş olsa You; “Sinir ağını 100.000 veri seti ile
karşılaştıracak bir öğrenme modelini etkilediklerini buldular. Çok sayıda bile sinir ağı, bir girdiyi iki kez aynı yoldan eğittik fakat bu aşırı yüklemeye de neden
geliştirdiler. Algoritmayı, farklı potansiyel değişkenin düzenlendikleri öğrenmez. Araştırmacılar dört farklı sinir olabilirdi. Sinir ağının, simülasyonlar
hesaplama tekniği gerektiren ikinci bir takdirde, iki ya da üç halkalı yapılar ağını eğitti ve farklı şartlardaki sonuçları ile eş zamanlı etkileşim kurarak
biyolojik sistemde kullanarak sonuçları oluşturabileceklerini keşfettiler. Ancak karşılaştırdılar. Benzer tahminleri yapacak sistemi hızlandırabileceği bir algoritma
gözlemlediler. Bu sayede algoritmanın tek bir bilgisayar simülasyonu beş dakika şekilde eğittikleri zaman, doğru yanıta çok geliştiriyoruz. İlk hedefimiz nispeten basit
farklı hesaplama sistemlerinde başarılı sürdüğü için sonuçları gözlemlemek pek de yakın sonuçlar aldıklarını gördüler. bir sistemdi. Şimdi bu sinir ağı sistemleriyle
bir şekilde çalıştığını ispatlamış oldular ve pratik olmadı. daha karmaşık biyolojik devrelerin temel
çalışmanın sonuçları 25 Eylül’de Nature Araştırmacılar biyolojik sistemler üzerinde dinamikleri aydınlatmak istiyoruz” diyor.
Communications Dergisi’nin internet Bakteri çalışması için kurulan sistem; çalışırken makine öğrenme modelini
sitesinde yayınlandı. büyüme, diffüzyon, protein bozulması kullanmaya karar verdiler. Sinir ağını
ve hücresel hareket oranları gibi 13 eğitmek için kullanılan 100.000 veri Bu çalışma the Office of Naval Research (N00014-
Duke Üniversitesi’nde görev yapan değişkenden oluşuyordu. Parametre simülasyonundan sadece bir tanesi üç 12-1-0631), the National Institutes of Health (1R01-
biyomedikal mühendisi Prof. Lingchong başına altı değer hesaplamak, tek bir halkalı bir bakteri kolonisi üretti. Sinir GM098642) ve David and Lucile Packard Bursu ile
You; “Buna benzer bir çalışma, Google’a bilgisayar için 600 yıldan daha uzun zaman ağının hızı sayesinde Sen ve Wang daha desteklenmiştir.
sinir ağlarının eğitildikten sonra insanları alıyordu. Paralel bir bilgisayar kümesi, fazla üç halkalı yapı bulmakla kalmayıp,
bir masa oyunu olan AlphaGo’da bu hesaplamayı ancak birkaç ay gibi yine aynı zamanda hangi değişkenlerin halka Kaynak: www.sciencedaily.com / www.tekyolbilim.
yenebileceğini gösterdi ve bu Google’a uzun bir zamanda yapabiliyordu. Makine yapısını oluşturmak konusunda daha com - Betül Eda Korhan & Aysuda Ceylan
gelecek çalışmalar için ilham kaynağı öğrenmesi ile bu süre birkaç saate indirildi. önemli olduğunu belirlediler. Wang, “Sinir