8 جولای 2022 -توسط انجمن ماکس پلانک
اعتبار Max-Planck-Institute for Terrestrial Micobiology/Bobkova
یادگیری ماشینی در حال دگرگونی همه حوزه‌های علم و صنعت زیست‌شناسی است، اما معمولاً به چند کاربر و سناریو محدود می‌شود. تیمی از محققان مؤسسه میکروبیولوژی ماکس پلانک به سرپرستی توبیاس ارب، METIS، یک سیستم نرم افزاری مدولار برای بهینه سازی سیستم های بیولوژیکی را توسعه داده اند. تیم تحقیقاتی قابلیت استفاده و تطبیق پذیری آن را با نمونه های مختلف بیولوژیکی نشان می دهد.
اگرچه مهندسی سیستم های بیولوژیکی واقعاً در بیوتکنولوژی و زیست شناسی مصنوعی ضروری است، امروزه یادگیری ماشینی در همه زمینه های زیست شناسی مفید شده است. با این حال، بدیهی است که کاربرد و بهبود الگوریتم‌ها، رویه‌های محاسباتی ساخته شده از فهرست دستورالعمل‌ها، به راحتی قابل دسترسی نیست. آنها نه تنها توسط مهارت های برنامه نویسی محدود می شوند، بلکه اغلب داده های تجربی برچسب گذاری شده نیز کافی نیستند. در تقاطع کارهای محاسباتی و تجربی، نیاز به رویکردهای کارآمد برای پر کردن شکاف بین الگوریتم‌های یادگیری ماشین و کاربردهای آنها برای سیستم‌های بیولوژیکی وجود دارد.
اکنون تیمی در مؤسسه میکروبیولوژی زمینی ماکس پلانک به رهبری توبیاس ارب موفق شده است یادگیری ماشینی را دموکراتیک کند. در انتشار اخیر خود در Nature Communications، این تیم همراه با شرکای همکاری از موسسه INRAe در پاریس، ابزار METIS خود را معرفی کردند. این نرم افزار در معماری همه کاره و مدولار ساخته شده است که نیازی به مهارت های محاسباتی ندارد و می تواند بر روی سیستم های مختلف بیولوژیکی و با تجهیزات آزمایشگاهی مختلف اعمال شود. METIS خلاصه‌ای از آزمایش‌های آزمایشی هدایت‌شده با یادگیری ماشینی برای بهبود سیستم‌ها است و همچنین از نام الهه باستانی خرد و صنایع دستی Μῆτις یا «مشاور حکیم» نام‌گذاری شده است.
داده های کمتر مورد نیاز
یادگیری فعال، که به عنوان طراحی آزمایشی بهینه نیز شناخته می‌شود، از الگوریتم‌های یادگیری ماشینی استفاده می‌کند تا به صورت تعاملی مجموعه آزمایش‌های بعدی را پس از آموزش بر روی نتایج قبلی، پیشنهاد کند، رویکردی ارزشمند برای دانشمندان آزمایشگاه مرطوب، به‌ویژه زمانی که با تعداد محدودی از داده‌های دارای برچسب تجربی کار می‌کنند. . اما یکی از گلوگاه‌های اصلی، داده‌های دارای برچسب تجربی تولید شده در آزمایشگاه است که همیشه برای آموزش مدل‌های یادگیری ماشین به اندازه کافی بالا نیستند. امیر پاندی، یکی از نویسندگان اصلی این مطالعه، می‌گوید: «در حالی که یادگیری فعال از قبل نیاز به داده‌های تجربی را کاهش می‌دهد، ما فراتر رفتیم و الگوریتم‌های مختلف یادگیری ماشین را بررسی کردیم. به طور دلگرم‌کننده، مدلی پیدا کردیم که حتی کمتر به داده‌ها وابسته است».
برای نشان دادن تطبیق پذیری METIS، تیم از آن برای کاربردهای مختلفی از جمله بهینه سازی تولید پروتئین، ساختارهای ژنتیکی، مهندسی ترکیبی فعالیت آنزیم و چرخه پیچیده متابولیک تثبیت CO2 به نام CETCH استفاده کرد. برای چرخه CETCH، آنها یک فضای ترکیبی از 1025 شرایط را با تنها 1000 شرایط تجربی کاوش کردند و کارآمدترین آبشار تثبیت CO2 را که تا به امروز توصیف شده گزارش کردند.
بهینه سازی سیستم های بیولوژیکی
در کاربرد، این مطالعه ابزارهای جدیدی را برای دموکراتیک کردن و پیشبرد تلاش‌های فعلی در بیوتکنولوژی، زیست‌شناسی مصنوعی، طراحی مدار ژنتیکی و مهندسی متابولیک فراهم می‌کند. کریستوف دیهل، نویسنده ارشد این مطالعه می‌گوید: METIS به محققان اجازه می‌دهد تا سیستم‌های بیولوژیکی کشف‌شده یا سنتز شده‌شان را بهینه کنند. اما همچنین یک راهنمای ترکیبی برای درک تعاملات پیچیده و بهینه‌سازی مبتنی بر فرضیه است. و احتمالاً جالب‌ترین مزیت آن: می‌تواند یک سیستم بسیار مفید برای نمونه‌سازی سیستم‌های جدید به طبیعت باشد.
METIS یک ابزار مدولار است که به‌عنوان نوت‌بوک Google Colab Python اجرا می‌شود و می‌تواند از طریق یک نسخه شخصی از نوت‌بوک در مرورگر وب، بدون نصب، ثبت‌نام یا نیاز به توان محاسباتی محلی استفاده شود. موراد ارائه شده در این کار می تواند کاربران را برای سفارشی کردن METIS برای برنامه های خود راهنمایی کند.
