AI Membedakan Dinamika Perilaku Cacing Kompleks dengan Stimulus Laser
Algoritma machine learning baru memprediksi perilaku cacing bundar dengan akurasi tinggi.
Algoritma ini menganalisis bagaimana Caenorhabditis elegans bereaksi terhadap stimulus laser.
Algoritma ini dapat menemukan model yang presisi dan dapat ditafsirkan dari sistem yang lebih rumit.
Dalam beberapa dekade terakhir, kemajuan dalam biologi kuantitatif telah memungkinkan ilmuwan untuk mengukur dengan tepat dinamika sistem biologis kompleks dalam respons terhadap pengganggu.
Misalnya, perilaku lari lengkap dari Caenorhabditis elegans — cacing bundar transparan, sekitar 1 milimeter panjang — dalam respons terhadap stimulus dapat diukur selama beberapa detik pada ribuan cacing.
Baru-baru ini, biofisikawan di Universitas Arizona State dan Universitas Toronto mengembangkan alat AI untuk memodelkan dinamika cacing melarikan diri dan merasakan nyeri. Alat ini menggunakan metode machine learning untuk memprediksi perilaku cacing dengan akurasi.
Dalam biologi, semua prediksi ini masuk akal dan telah diverifikasi dengan data yang diperoleh dari eksperimen yang dilakukan pada Caenorhabditis elegans.
Metode machine learning ini didasarkan pada algoritma yang dikembangkan pada tahun 2015: algoritma ini mencari hukum-hukum spesifik yang mendasari sistem biologis kompleks. Tim menamai algoritma ini ‘Sir Isaac’, menurut fisikawan terkenal Sir Isaac Newton. Sementara hukum gerakan Newton menunjukkan dinamika sistem mekanis, algoritma ini melakukan sesuatu yang serupa untuk sistem hidup.
Eksperimen pada Caenorhabditis Elegans
Dalam studi ini, peneliti menganalisis kemampuan pengambilan keputusan dari Caenorhabditis elegans: bagaimana mereka bereaksi terhadap stimulus sensorik. Caenorhabditis elegans adalah model organisme laboratorium standar, dan sejak tahun 1970 telah digunakan secara luas sebagai organisme model.
Referensi: PNAS | doi:10.1073/pnas.1816531116 | Emory Health Sciences
Seperti manusia, Caenorhabditis elegans memiliki denrit yang meluas dari sel untuk mengumpulkan neurotransmitter, dan meluas ke otak untuk koneksi sinaptik di antara neuron. Ia hanya memiliki 302 neuron dan sekelompok gerakan yang terbatas.
Caenorhabditis elegans | Kredit Gambar: genome.gov
Tim peneliti menghentikan gerakan maju setiap Caenorhabditis elegans dengan memukul sinar laser ke kepalanya. Setiap cacing bereaksi secara berbeda. Beberapa berhenti untuk waktu singkat sebelum bereaksi, sementara yang lain segera membalik arah mereka pada stimulus laser. Tapi ada satu hal yang sama: semua cacing bereaksi dengan cepat terhadap suhu yang lebih tinggi (laser intensif).
Platform Sir Isaac
Tim mencatat data gerakan dari beberapa detik pertama eksperimen dan memberikannya kepada metode machine learning. Sistem mampu mengestimasi gerakan cacing bundar jauh melebihi detik awal ini. Sekitar 90% variabilitas dalam gerakan cacing (setelah stimulus laser) dapat dijelaskan secara biologis.
Memprediksi gerakan cacing bundar dalam respons terhadap stimulus jauh lebih sulit daripada mengestimasi gerakan bola ketika ditendang. Algoritma Sir Isaac melakukan hal yang sama sambil memperhitungkan pemrosesan sensorik kompleks pada cacing dan aktivitas neural mereka yang diikuti oleh aktivasi otot. Semua ini diringkas ke dalam deskripsi matematika yang sederhana.
Baca: Insinyur Memasang Otak Cacing ke dalam Robot Kecil dan Itu Bekerja
Metode machine learning ini dapat membantu dalam menemukan model yang presisi dan dapat ditafsirkan dari sistem yang lebih rumit. Tujuan jangka panjang adalah membangun kecerdasan buatan yang dapat mempercepat prosedur ilmiah dalam membuat hipotesis kuantitatif, dan kemudian mengujinya melalui eksperimen.
