AI ontrafelt complexe gedragsdynamica van wormen met laserstimuli

Een nieuw machine learning-algoritme voorspelt nauwkeurig het gedrag van een rondworm. Het analyseert hoe Caenorhabditis elegans reageert op een laserstimulus. Het algoritme kan nauwkeurige en interpreteerbare modellen van complexere systemen vinden.

Experiment op de Caenorhabditis Elegans

In recent decennia hebben vooruitgang in kwantitatieve biologie wetenschappers in staat gesteld de dynamica van complexe biologische systemen in respons op verstoringen nauwkeurig te meten.

Bijvoorbeeld: het complete vluchtgedrag van een Caenorhabditis elegans — een transparante rondworm, ongeveer 1 millimeter in lengte — in respons op een stimulus kan gemeten worden voor diverse seconden in duizenden wormen.

Onlangs ontwikkelden biofysici aan Arizona State University en de Universiteit van Toronto een kunstmatige intelligentie-tool om de dynamica van wormvlucht en pijnperceptie te modelleren. De tool gebruikt een machine learning-methode om het gedrag van een worm nauwkeurig te voorspellen.

In de biologie maken al deze voorspellingen zin en ze zijn geverifieerd met data verkregen uit experimenten uitgevoerd op de Caenorhabditis elegans.

De machine learning-methode is gebaseerd op een algoritme ontwikkeld in 2015: het zoekt naar de specifieke wetten die onder complexe biologische systemen liggen. Het team heeft dit algoritme 'Sir Isaac' genoemd, naar de bekende natuurkundige Sir Isaac Newton. Terwijl Newton's wetten van beweging de dynamica van mechanische systemen tonen, doet het algoritme iets vergelijkbaars voor levende systemen.

Sir Isaac Platform

Het team noteerde de beweegingsdata van de eerste paar seconden van de experimenten en voerde het in de machine learning-methode in. Het systeem was in staat de beweging van de rondworm goed te schatten ver daarbuiten deze initiële paar seconden. Ongeveer 90% van de variabiliteit in de wormbeweging (na de laserstimulus) kan biologisch verklaard worden.

Het voorspellen van de beweging van een rondworm in respons op een stimulus is veel moeilijker dan het schatten van de beweging van een bal die getrapt wordt. Het Sir Isaac-algoritme doet hetzelfde rekening houdend met complexe sensorische verwerking in de wormen en hun neurale activiteiten gevolgd door spieractivatie. Dit wordt allemaal opgeteld in een bescheiden wiskundige beschrijving.

Deze machine learning-methode kan helpen bij het vinden van nauwkeurige en interpreteerbare modellen van complexere systemen. Het langetermijndoel is om een kunstmatige intelligentie te bouwen die de wetenschappelijke procedure van het creëren van kwantitatieve hypothesen kan versnellen, en ze vervolgens te testen via experimenten.