🌏 📊 🐳 Cómo se investiga el crecimiento de las células de los órganos mediante el aprendizaje automático basado en la física 🌬️ 🚷 ☸️

... así como el aprendizaje profundo basado en la computación en la nube y el modelado acústico

Para cultivar tejido de órganos a partir de células en el laboratorio, los investigadores necesitan una forma no invasiva de mantener las células en un solo lugar. Un enfoque prometedor es la estructuración acústica, que implica el uso de energía acústica para colocar y mantener las células en la posición deseada a medida que se desarrollan en el tejido. Al aplicar ondas acústicas a dispositivos de microfluidos, los investigadores convirtieron las células de escala micrométrica en patrones simples como líneas rectas y rejillas.

Mis colegas y yo hemos desarrollado un enfoque combinado de aprendizaje profundo y modelado numérico que nos permite organizar las células en circuitos mucho más complejos de nuestra propia arquitectura. Ahorramos semanas de esfuerzo al hacer todo el flujo de trabajo en MATLAB y al usar la computación paralela para acelerar los pasos clave, como generar el conjunto de datos de entrenamiento desde nuestro simulador y entrenar la red neuronal de aprendizaje profundo.

Modelado acústico con microcanales

En un dispositivo de microfluidos, las partículas fluidas y las partículas o células transportadas por fluidos son impulsadas en microcanales de tamaño submilimétrico, que se pueden formar en varias formas. Para crear patrones acústicos dentro de estos microcanales, un transductor interdigital (IDT) genera una onda acústica de superficie (SAW) dirigida hacia la pared del canal (Figura 1a). En el líquido dentro del canal, las ondas acústicas crean una presión mínima y máxima, que es igual a la presión de la pared del canal (Fig. 1b). Por tanto, la forma de las paredes del canal se puede ajustar de tal forma que dé ciertos campos acústicos en el canal [1] (Fig. 1c). Los campos acústicos distribuyen partículas dentro del fluido en patrones que corresponden a los lugares donde se minimizan las fuerzas de estas ondas acústicas (Figura 1d).

Figura 1 - Estructuración acústica en microcanales

Si bien es posible calcular el campo acústico que resultará de una forma de canal específica, no es posible lo contrario: diseñar la forma del canal para crear el área deseada no es una tarea trivial para nada, pero no para patrones simples como una cuadrícula. Dado que el espacio de la solución es virtualmente ilimitado, los enfoques analíticos son inaplicables.

El nuevo flujo de trabajo utiliza una gran colección de resultados simulados (formas aleatorias) y aprendizaje profundo para superar esta limitación. Mis colegas y yo resolvimos un problema directo por primera vez simulando campos de presión de formas conocidas en MATLAB. Luego usamos los resultados para entrenar una red neuronal profunda para resolver el problema inverso: determinar la forma del microcanal necesario para crear el campo acústico deseado.

Solución del problema directo: modelado de campos de presión

En un trabajo anterior, nuestro equipo desarrolló un motor de simulación en MATLAB que resuelve el problema de determinar la región de presión para una geometría de canal dada utilizando el principio de Huygens-Fresnel, que asume que cualquier punto en una onda plana es una fuente puntual de ondas esféricas (Fig.2).

Figura 2 - El campo de presión acústica creado para una determinada geometría de canal

El motor de simulación se basa en varias operaciones matriciales. Debido a que estas operaciones se realizan en MATLAB, cada simulación toma una fracción de segundo y necesitábamos simular decenas de miles de formas únicas y sus correspondientes regiones de presión 2D. Aceleramos este proceso ejecutando simulaciones en paralelo en una estación de trabajo de varios núcleos utilizando Parallel Computing Toolbox.

Una vez que tuvimos los datos que necesitábamos, se utilizaron para entrenar la red de aprendizaje profundo para inferir la forma del canal a partir de un área de presión determinada, esencialmente invirtiendo el orden de entrada y salida.

Entrene la red neuronal de aprendizaje profundo para resolver un problema inverso

Primero, para acelerar el proceso de entrenamiento, se determinó un valor umbral en el área de presión simulada. Como resultado, se crearon matrices booleanas bidimensionales de 151 x 151, que transformamos ("aplanamos") en un vector unidimensional, que a su vez se convertiría en una entrada para la red de aprendizaje profundo. Para minimizar el número de neuronas de salida, utilizamos la representación del coeficiente de Fourier, que capturó el contorno de la forma del canal (Fig. 3).

Figura 3 - Aproximación de la serie de Fourier de un triángulo equilátero girado 20 grados con coeficientes (de izquierda a derecha) 20, 3, 10 y 20

Construimos la red original usando la aplicación Deep Network Designer y la mejoramos programáticamente para equilibrar la precisión, versatilidad y velocidad de aprendizaje ( fig.4). Entrenamos la red utilizando un solucionador de estimación de par adaptativo (optimizador ADAM) en una GPU NVIDIA Titan RTX.

Figura 4 - Red neuronal completamente conectada con cuatro capas ocultas

Comprobando resultados

Para validar la red entrenada, la usamos para derivar la geometría del canal de un campo de presión dado y luego usamos esa geometría como entrada al motor de simulación para reconstruir el campo de presión. Luego comparamos los campos de presión originales y creados. Las presiones mínima y máxima dentro de los dos campos están próximas entre sí (Fig. 5).

Figura 5 - Flujo de trabajo de validación de redes de aprendizaje profundo

Luego realizamos una serie de pruebas reales. Para indicar las áreas donde queríamos recolectar las partículas, pintamos imágenes especializadas usando Microsoft Paint. Contenían muchas imágenes diferentes de una o varias líneas que hubieran sido difíciles de obtener sin nuestro método. Luego, la red entrenada se utilizó para definir la geometría de los canales necesarios para crear estas áreas definidas. Finalmente, con la ayuda de nuestros socios, hemos fabricado una gama de dispositivos de microfluidos basados en la geometría prevista. A continuación, se inyectó cada uno de estos dispositivos con partículas de poliestireno de 1 µm suspendidas en un líquido en los canales formados y se indujo un tensioactivo en el dispositivo. Los resultados mostraron agregación de partículas a lo largo de las regiones que se indicaron en nuestras imágenes especializadas (Fig. 6).

Figura 6 - Abajo: Las áreas dibujadas en Microsoft Paint (violeta) se superponen en el campo acústico simulado requerido para la agregación de partículas en estas áreas; arriba: el resultado es una muestra de partículas de poliestireno suspendidas en un dispositivo microfluídico fabricado

Yendo a la nube

Anticipándonos a la próxima fase de este proyecto, estamos actualizando nuestra red de aprendizaje profundo para usar imágenes de campo acústico como entradas y generar imágenes de forma de canal como salidas, en lugar de usar vectores aplastados y coeficientes de Fourier, respectivamente. La esperanza es que este cambio nos permita utilizar formas de canal que no son fáciles de determinar con la serie Fourier y que pueden cambiar con el tiempo. Sin embargo, el entrenamiento requerirá un conjunto de datos mucho más grande, una arquitectura de red más compleja y muchos más recursos computacionales. Como resultado, transferimos la red y sus datos de entrenamiento a la nube.

Afortunadamente, MathWorks Cloud Center proporciona una plataforma conveniente para activar y desactivar rápidamente las instancias en la nube de HPC. Uno de los aspectos más tediosos de hacer investigación científica en la nube es la interoperabilidad, que implica mover nuestros algoritmos y datos entre la nube y nuestra máquina local. MATLAB Parallel Server abstrae los aspectos más complejos de la computación en la nube permitiéndonos ejecutar localmente o en la nube con unos simples clics en el menú. Esta facilidad de uso nos permite enfocarnos en el problema científico más que en las herramientas necesarias para resolverlo.

Al utilizar MATLAB con instancias de Amazon Web Services con tecnología de GPU de NVIDIA, planeamos entrenar la red actualizada con los datos almacenados en los buckets de Amazon S3. Luego, podemos usar la red capacitada en estaciones de trabajo locales para sacar conclusiones (que no requieren computación de alto rendimiento) y experimentar con diferentes patrones y campos acústicos. Este trabajo nos proporcionará los datos sin procesar para otros proyectos de aprendizaje automático utilizando la física.

Si desea obtener más información sobre el aprendizaje automático y profundo, acérquese a nosotros para el curso apropiado, no será fácil, pero emocionante. Y el código de promoción HABR lo ayudará en su esfuerzo por aprender cosas nuevas al agregar un 10% al descuento en el banner.

PROFESIÓN

CURSOS

Cómo se investiga el crecimiento de las células de los órganos mediante el aprendizaje automático basado en la física