新的机器学习算法揭示了细胞中的时间延迟相互作用

生物学家早就了解细胞内的各个部分。但是这些部分如何相互作用并相互作用在很大程度上是未知的。西北大学的Neda Bagheri说：“我们希望了解细胞如何做出决定，因此我们可以控制他们做出的决定。”“一个细胞可能决定不受控制地分裂，这就是癌症的情况。如果我们了解细胞如何做出决定，那么我们就可以设计干预策略。”

为了更好地理解细胞内发生的神秘相互作用，Bagheri和她的团队设计了一种新的机器学习算法，可以帮助连接基因在细胞网络内的相互作用。该算法称为“用于网络生成的滑动窗口推理”或SWING，它使用时间序列数据来揭示蜂窝网络的基础结构。

该研究得到了美国国家科学基金会，国立卫生研究院和西北大学生物技术培训项目的支持，今天在线发表在“美国国家科学院院刊”上。Bagheri实验室的研究生Justin Finkle和Jia Wu担任该论文的共同第一作者。

在生物学实验中，研究人员经常通过改变其功能来扰乱一个主题，然后测量主体的反应。例如，研究人员可能会使用一种针对基因表达水平的药物，然后观察基因和下游成分的反应。但是，这些研究人员很难知道遗传景观的变化是药物的直接影响还是细胞内发生的其他活动的影响。

“虽然许多算法会询问提示信号的响应，”Finkle说，“我们更有创造性地使用时间序列数据来揭示不同基因之间的联系，并将它们置于因果关系中。”

SWING通过结合时间延迟和滑动窗口，可以更全面地了解基因之间发生的因果关系。SWING使用时间分辨的高吞吐量数据来整合这些响应发生所需的时间，而不仅仅是查看单个扰动和响应。

“其他算法假设细胞反应在时间上或多或少均匀，”吴说。“我们合并了一个包含不同时间范围的窗口，因此它可以捕获具有动态轮廓或不同时间延迟的响应。”

“动力学非常重要，因为它不仅仅是细胞对特定输入做出反应，而是如何，”Bagheri补充道。“它是否缓慢?是否快速?是脉冲还是更有活力?例如，如果我引入一种药物，细胞会立即反应，然后恢复或对药物产生抗药性吗?理解这些动力学可以指导新药的设计。“

在设计算法后，Bagheri的团队在实验室中通过计算机模拟和体外大肠杆菌和酿酒酵母模型对其进行了验证。该算法是开源的，现在可以在线获得。尽管它最初设计用于探测细胞的内部，神秘生命，但该算法可以应用于随时间显示活动的许多受试者。

“该框架不是特定于细胞信号传导，甚至不是生物学背景，”Bagheri说。“它可以在非常广泛的背景下使用，例如经济学或金融学。我们希望它可以产生很大的影响。”