深度神经网络用于预测单细胞反应和概率景观

科学领域:

• 合成生物学 合成生物学
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 准确预测细胞反应对于工程生物学至关重要.
• 挑战包括生化静止性,细胞变异性和不完整的生物过程知识.
• 机器学习 (ML) 提供了一种强大的方法来模拟复杂的生物系统,而无需先前的机械洞察力.

研究的目的:

• 探索ML的应用,以利用时间序列数据预测基因表达动态.
• 在各种噪声条件和遗传电路设计下以计算方式模拟单细胞反应.
• 评估和改进ML模型的性能,用于预测细胞行为.

主要方法:

• 在模拟单细胞响应数据上开发和培训深度神经网络 (DNN).
• 纳入噪声源 (测量噪声,生物化学随机性) 和多种遗传电路设计 (级联式,双稳定自动激活).
• 网络架构的代改进,以处理多模式动态,预测未来的状态分布.

主要成果:

• 尽管有噪音和随机性,但DNN成功地推断出细胞反应动态.
• 预测质量受训练集大小和输入数据历史长度的影响.
• 一个更新的网络架构准确地预测了可二模电路的双模式表达分布.

结论:

• ML,特别是DNN,为预测和控制合成生物学中的生物循环提供了强大的框架.
• 开发的方法可以适应生物工程中的各种预测任务.
• 解决多式联网动态需要专门的网络架构,能够预测状态分布.