Labo Online - Analytic, Labortechnik, Life Sciences
Home> Wirtschaft + Wissenschaft> Archiv>

Algorithmen nutzen maschinelle Intelligenz und ermitteln versteckte Geometrie komplexer Netzwerke

NetzwerkwissenschaftMaschinelle Intelligenz zur Ermittlung versteckter Geometrie komplexer Netzwerke

Ein internationales Team von Wissenschaftlern unter der Leitung von Dr. Carlo Vittorio Cannistraci, Nachwuchsgruppenleiter der Gruppe für Biomedizinische Kybernetik am Biotechnologischen Zentrum der TU Dresden, entwickelte das "Coalescent Embedding": eine Klasse von Algorithmen, die die maschinelle Intelligenz nutzen, um die versteckten geometrischen Regeln, die die Struktur komplexer Netzwerke formen, zu ermitteln.

sep
sep
sep
sep
Abstrakte Darstellung Mensch und komplexe Netzwerke

Von der Konnektivität des Gehirns bis hin zu sozialen Medien kann die "Koaleszenz-Einbettung" zukünftige Auswirkungen auf unterschiedliche Bereiche haben, die sich mit Großnetzwerkdaten befassen, darunter Biologie, Medizin, Physik und Sozialwissenschaften.

Netzwerk wieder auf die ursprüngliche Geometrie abbilden
Archimedes stellte sich vor, dass eine Netzwerkstruktur – ein Polygon bestehend aus Dreiecken –, die durch Abtastung des geometrischen Gesetzes eines Kreises entsteht, ein nützliches Hilfsmittel zur Annäherung von Eigenschaften wie der Fläche des ursprünglichen Kreises ist. Fast 2000 Jahre später ist ein faszinierendes und herausforderndes Problem der Netzwerkwissenschaft konzeptionell das Problem umgekehrt zu dem von Archimedes und besteht darin, ein Netzwerk wieder auf die ursprüngliche Geometrie abzubilden. Dr. Cannistraci und seine Kollegen entdeckten, dass intelligente Maschinen zur unbeaufsichtigten Erkennung und Visualisierung von Ähnlichkeiten in großen Datenmengen dazu beitragen können, eine rechnerische Lösung für dieses Problem anzubieten, insbesondere wenn die versteckte Geometrie der komplexen Netzwerke hyperbolisch ist.

Anzeige

Reale Netzwerke als Diskretisierung kontinuierlicher geometrischer Räume
Mit dem Beginn der Ära der Big Data und dem Aufkommen der Netzwerkwissenschaften werden komplexe physikalische Systeme immer mehr aus der Netzwerkperspektive betrachtet. Seit einigen Jahren ist die Netzwerkgeometrie ein aufstrebender Zweig, der die Idee unterstützt, dass reale Netzwerke Diskretisierungen kontinuierlicher geometrischer Räume sind und diese latenten Räume ihre topologischen Eigenschaften formen. Insbesondere hat sich gezeigt, dass der hyperbolische Raum die wichtigsten strukturellen Merkmale reproduziert, die in realen Systemen beobachtet werden. Eine effiziente Methode, um die latente hyperbolische Geometrie der Netzwerke aufzudecken, bietet jetzt die "Koaleszenz-Einbettung ", ein von Dr. Cannistraci erfundener Algorithmus, der von der Biomedical Cybernetics Group entwickelt und getestet wurde.

Koaleszenz-Einbettung benötigt Netzwerktopologie
Eine Koaleszenz-Einbettung kann auf jede Art eines als Netzwerk darstellbaren physischen Systems angewendet werden, da sie nur die Netzwerktopologie benötigt. Diese wird durch die interagierenden Teile des Systems (Knoten) und die Verbindungen zwischen ihnen (Links) repräsentiert. Es werden keine feldspezifischen Informationen benötigt. Der Algorithmus nutzt unbeaufsichtigte Techniken des maschinellen Lernens zur Verminderung der Dimensionalität, um die Ähnlichkeiten zwischen den Knoten genau abzuleiten, und er liefert in der Ausgabe die hyperbolische Einbettung des Netzwerks: Jeder Knoten wird einer geometrischen Position im hyperbolischen Raum zugeordnet, so dass geometrisch nahe liegende Knoten eher interagieren. Die Koaleszenz Einbettung reduziert die Rechenzeit im Vergleich zu bisher entwickelten Methoden erheblich, sie kann Netzwerke auf Räume von mehr als zwei Dimensionen abbilden und, wenn sie verfügbar sind, zusätzliche Informationen über die Stärke der Wechselwirkungen nutzen.

Die Abbildung des Netzwerkes in den geometrischen Raum erlaubt es, mehrere Studien durchzuführen, die in der ursprünglichen Topologie möglicherweise nicht gleich wirksam sind. Anwendungsbeispiele sind die Detektion von Communities in sozialen Netzwerken, die Vorhersage von Protein-Protein-Interaktionen in biologischen Netzwerken und die Analyse des Routing in Internet-Netzwerken.

Netzwerkmarker für Diagnose von Hirnstörungen?
In einer kürzlich von Dr. Cannistraci geleiteten neurowissenschaftlichen Studie, die bereits als Vordruck auf dem arXiv-Repository verfügbar ist (Koaleszenz-Einbettung im hyperbolischen Raum enthüllt unbeaufsichtigt die versteckte Geometrie des Gehirns), wurde die Koaleszenz-Einbettung auf strukturelle MRT-Hirn-Connectome untersucht. Dabei wurde unter anderem die interssante Entdeckung gemacht, dass in den Connectomen von Parkinson-Patienten pathologische Veränderungen auftreten. Dies eröffnet eine neue Perspektive für die Realisierung von Netzwerkmarkern auf Grundlage von latenter Geometrie für die Diagnose von Hirnstörungen und -krankheiten.

Experimente in vielen Netzwerken zeigten, dass unser Algorithmus in der Lage ist, in wenigen Sekunden eine genauere Einbettung zu ermöglichen, wesentlich schneller also dies durch frühere Techniken nach stundenlangem Rechnen erreicht wurde. "Dies ebnet den Weg zur Untersuchung von Großsystemen", erklären Alessandro Muscoloni und Josephine Maria Thomas, die Erstautoren dieser Studie.

„Als ich 2016 die ersten Ergebnisse bei der jährlichen Netzwerk-Wissenschaftskonferenz in Korea präsentierte, konnten einige meiner Kollegen nicht glauben, dass es möglich war – dass unbeaufsichtigte Maschinenintelligenz tatsächlich eine genaue rechnerische Lösung für dieses faszinierende Netzwerkgeometrieproblem bieten kann. Ich hoffe, dass dieser Artikel viele Wissenschaftler inspirieren wird, sich ‚unkonventionelle‘ Lösungen für Probleme in der Physik komplexer Systeme vorzustellen, bei denen die Maschinenintelligenz eine wichtige Rolle als ergänzendes Werkzeug zur Integration mit der klassischen statistischen Mechanik spielen kann“, sagt Carlo Vittorio Cannistraci, der korrespondierende Autor dieser Studie.

Die Studie wurde in Zusammenarbeit mit Prof. Ginestra Bianconi von der School of Mathematical Sciences, Queen Mary University of London (UK) und unter Beteiligung des Brain Bio-Inspired Computing (BBC) Labors, des IRCCS Centro Neurolesi "Bonino Pulejo", Messina, Italien, durchgeführt. Die Förderung erfolgte durch: den Independent Group Leader Starting Grant der Technischen Universität Dresden (TUD); die Klaus Tschira Stiftung (KTS) gGmbH, Deutschland (Grant-Nr.: 00.285.2016); den Forschungspool (Forschungspoolantrag) der TUD; die Lipotype GmbH, Deutschland; den Freistaat Sachsen nach der Sächsischen Stipendienprogrammverordnung (vergeben vom Studentenwerk Dresden auf Empfehlung des Vorstandes des Graduiertenkollegs).

Publikation:
Machine learning meets complex networks via coalescent embedding in the hyperbolic space. Alessandro Muscoloni, Josephine Maria Thomas, Sara Ciucci, Ginestra Bianconi and Carlo Vittorio Cannistraci. Nature Communications 8, Article number: 1615 (2017). DOI: 10.1038/s41467-017-01825-5

Das Biotechnologische Zentrum (Biotec) wurde 2000 als zentrale wissenschaftliche Einrichtung der Technischen Universität Dresden mit dem Ziel gegründet, modernste Forschungsansätze in der Molekular- und Zellbiologie mit den in Dresden traditionell starken Ingenieurswissenschaften zu verbinden. Innerhalb der TU Dresden nimmt das Biotec eine zentrale Position in Forschung und Lehre mit dem Schwerpunkt „Molecular Bioengineering und Regenerative Medizin“ ein, seit 2016 ist es ein Institut der zentralen wissenschaftlichen Einrichtung “Center for Molecular and Cellular Bioengineering” (CMCB). Das Biotec trägt damit entscheidend zur Profilierung der TU Dresden im Bereich moderner Biotechnologie und Biomedizin bei. Die Forschungsschwerpunkte der internationalen Arbeitsgruppen bilden die Zellbiologie, Nanobiotechnologie und die Bioinformatik.

Anzeige
Diesen Artikel …
sep
sep
sep
sep
sep

Weitere Beiträge zum Thema

Concepts and Relationships: Precision Medicine, Personalized Medicine, Omics and Big Data

Concepts and RelationshipsPrecision Medicine, Personalized Medicine, Omics and Big Data

On January 20, 2015, US President Obama announced at his 2015 State of the Union Address that he was launching a new precision medicine initiative [1]. On January 30, the Obama administration unveiled details about the Precision Medicine Initiative.

…mehr

Weitere Beiträge in dieser Rubrik

Abstrakte Darstellung Passwortverschlüsselung

Datensicherheit aus dem LaborChemische Schlüssel für sichere Passwörter

Wissenschaftler aus dem KIT haben Informatik mit Chemie gepaart und ein gängiges Verschlüsselungsverfahren mit einem chemischen Passwort kombiniert. 

…mehr
Holm Kändler, Geschäftsführer der Hellma GmbH & Co. KG (Bild: Hellma)

Hellma erweitert die UnternehmensspitzeNeues Mitglied in der Geschäftsführung

Zum 1. März 2018 hat Hellma die Geschäftsführung durch Holm Kändler erweitert.

…mehr

BioanalytikKlinische Ergebnisse veröffentlicht: Bluttest zur der Erkennung von Leberkrebs

Die Epigenomics AG (FSE: ECX, OTCQX: EPGNY) Ergebnisse aus zwei klinischen Studien in EBioMedicine (unterstützt von Cell Press und The Lancet) bekannt gegeben und bezeichnet die Ergebnisse als "vielversprechend". Die Ergebnisse zeigen eine hohe Genauigkeit des epigenetischen Biomarker mSEPT9 bei der Erkennung von Leberkrebs in Patienten mit Leberzirrhose.

…mehr
In einem dreidimensionalen Darmkrebs-Zellkulturmodell werden durch den Wirkstoff KP-1339 (IT-139) Merkmale ausgelöst, die im Organismus den immunogenen Zelltod hervorrufen (Bild: Universität Wien).

Krebstherapeutikum auf Ruthenium-BasisNeuer Wirkmechanismus von Tumortherapeutikum entdeckt

Ein Team um Bernhard Keppler von der Universität Wien konnte zeigen, dass der neuartige Wirkstoff bei Krebszellen Symptome des immunogenen Zelltods hervorruft und damit eine zentrale Rolle bei der medikamentösen Krebstherapie einnehmen könnte.

…mehr
Anzeige

Mediadaten 2018

LABO Einkaufsführer

Produktkataloge bei LABO

Produktkataloge zum Blättern


Hier finden Sie aktuelle Blätter-Kataloge von Herstellern aus der Branche. Einfach durchblättern oder gezielt nach Stichwort suchen!

Anzeige

LABO Web-Guide 2016 als E-Paper

LABO Web-Guide 2016

Web-Guide 2016


- Stichwortregister

- Firmenscreenshots

-Interessante Webadressen aus dem Labor

Anzeige

Neue Stellenanzeigen

Jetzt den LABO Newsletter abonnieren

LABO Newsletter abonnieren

Der kostenlose LABO Newsletter informiert Sie wöchentlich über neue Produkte, Lösungen, Technologietrends und Innovationen aus der Branche sowie Unternehmensnachrichten und Personalmeldungen.

LABO bei Facebook und Twitter