Peter Kasson använder deep learning i sin forskning för att kunna gör kraftfullare förutsägelser. Foto: Lynn Kamerlin.

Av Lisa von Garrelts den 9 oktober 2019 10:48

En av styrkorna med deep learning är förmågan att hantera mycket komplexa mönster – något som passar väl in på life science. Under en föreläsning under Bioscience berättar Peter Kasson som är universitetslektor vid institutionen för cell- och molekylärbiologi och Wallenberg Academy Fellow vid Uppsala universitet, om hur denna del artificiell intelligens kan påverka molekylärvetenskapen och farmakologin.

– I min forskning försöker jag förstå hur patogener kommer in i mänskliga celler och hur man får läkemedel in i patogenerna. Mitt laboratorium utformar nya sätt att mäta dessa processer. Vi kör komplexa datormodeller av de här processerna och använder både deep learning och mer traditionell machine learning för att förena modellerna och experimenten. I min forskning försöker vi förutse sätt att stoppa nya virus och läkemedelsresistenta bakterier och deep learning ger oss möjlighet att bygga komplexa modeller på ett systematiskt sätt. Innan deep learning krävdes det ett enormt tankearbete för att komma upp med två, kanske tre modeller att testa. Nu handlar det i stället om att arbetet leder fram till sätt för oss att systematiskt kunna testa hundratals eller kanske tusentals modeller, varpå vi kan välja ut den bästa. Det här hjälper oss i att förutsäga hur vi kan optimera läkemedelskandidater mot bakterier eller hur vi ska tolka experiment mot virusinfektioner.

Life science är snårigt och den möjlighet som finns inom deep learning att tolka mycket komplexa mönster gör att områdena passar mycket väl ihop. Utmaningarna är, enligt Peter Kasson, att lyckas utforma korrekta metoder för att kunna läsa in rätt mönster och få fram rätt data för att ta fram precisa och tillförlitliga modeller.

Finns det några speciella områden inom life science som kan vara särskilt lämpade för deep learning?

– En hel del av dagens deep learning har utvecklats i takt med framsteg inom datorseende. Så utmaningar som är kopplat till bildbehandling eller bildåtergivning, till exempel mikroskopibilder av celler, är kanske de mest givna områden att använda deep learning på. Det som lockar mig är att utforma helt nya inlärningsmetoder för problemstrukturer inom specifika life science-utmaningar. Det är mycket svårare men även mycket kraftfullare.

Hur kan djupinlärning förändra life science?

– En stor del av forskningen inom life science använder redan statistisk analys, till exempel regressionsmodeller, klassificering, klusteranalys och liknande tillvägagångssätt. Men när vi skapar statistiska modeller lägger vi ner mycket tid på att bygga och välja indata till dessa modeller. Deep learning gör det möjligt för indata att ligga mycket närmare rådata och själva modellen bygger ett mellanlager för att återge det som är relevant. Denna aspekt av funktionsinlärning är nästan lika användbar som själva förutsägelserna. Så deep learning gör det alltså möjligt för oss att göra mycket kraftfullare förutsägelser men från mycket enklare indata.

Kommer djupinlärning att hjälpa vetenskapen att bli bättre på att förutsäga vad som händer?

– Jag skulle svara med det berömda citatet som bland annat tillskrivs Niels Bohr: "Det är svårt att göra förutsägelser, särskilt om framtiden" (It is difficult to predict - especially the future). All statistisk slutledning är mest giltig när det gäller att förutsäga saker som liknar träningsdata. Välkonstruerad deep learning kan hjälpa till med generaliseringar, men man ska minnas att även människor kan göra felaktiga slutledningar när man gör generaliserar baserade på tidigare erfarenheter till nya.

Den nya tekniken som utvecklas ska ses som en möjliggörare menar Peter Kasson.

– Den kunskap som verkligen behövs för att kunna förstå och tolka komplexa modeller är matematiken och statistiken. Utan dessa kunskaper kommer du alltid bara att vara en som litar på vad andra säger till dig, antingen via deras modeller eller slutsatser.

Under Bioscience 2019 den 7 november i Aula Medical på Karolinska institutet håller Peter Kasson föreläsningen: Deep learning on biological data: going beyond images and time-series.

– Om du är nyfiken på hur deep learning kan påverka molekylärvetenskap och farmakologi så kom och lyssna! Deep learning handlar inte om att lyckas känna igen katter på internet, men det är inte heller någon sorts magi som kan lösa alla problem i ett slag. Det är ett kraftfullt verktyg som måste konstrueras och utformas noggrant och omsorgsfullt. Jag kommer visa hur tekniken kan utformas för molekylära biovetenskaper.