اگرچه مهندسی سیستم های بیولوژیکی واقعاً در بیوتکنولوژی و زیست شناسی مصنوعی ضروری است، امروزه یادگیری ماشینی در تمام زمینه های زیست شناسی مفید شده است. با این حال، بدیهی است که کاربرد و بهبود الگوریتم‌ها، رویه‌های محاسباتی ساخته‌شده 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 ناکافی هستند. 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.
یادگیری ماشینی در حال دگرگونی همه حوزه‌های علم و صنعت زیست‌شناسی است، اما معمولاً به چند کاربر و سناریو محدود می‌شود. تیمی از محققان در موسسه میکروبیولوژی ماکس پلانک به رهبری 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 بیولوژیکی مختلف نشان می دهد.
METIS یک ابزار مدولار است که به‌عنوان نوت‌بوک Google Colab Python اجرا می‌شود و می‌تواند از طریق یک کپی شخصی از نوت‌بوک در مرورگر وب، بدون نصب، ثبت نام یا نیاز به توان محاسباتی محلی استفاده شود. مواد ارائه شده در این کار می تواند کاربران را برای سفارشی کردن METIS برای برنامه های خود راهنمایی کند.
مرجع مجله:
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 با برچسب تجربی تولید شده در آزمایشگاه است که همیشه به اندازه کافی برای آموزش مدل‌های یادگیری ماشین 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 یک CO پیچیده استفاده کرد.2 چرخه متابولیک تثبیت به نام CETCH. برای چرخه CETCH، آنها فضای ترکیبی از 1025 شرایط را با تنها 1000 شرایط آزمایشی کاوش کردند و کارآمدترین CO را گزارش کردند.2 آبشار تثبیت تا به امروز شرح داده شده است.
بهینه سازی سیستم های بیولوژیکی
10.1038/s41467-022-31245-z
منبع:
اکنون تیمی در مؤسسه میکروبیولوژی زمینی ماکس پلانک به رهبری توبیاس ارب موفق شده است یادگیری ماشین را دموکراتیک کند. در انتشار اخیر خود در “ارتباطات طبیعت”، این تیم همراه با شرکای همکاری از موسسه INRAe در پاریس، ابزار METIS خود را ارائه 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 بیولوژیکی مختلف و با تجهیزات آزمایشگاهی مختلف اعمال شود. METIS خلاصه‌ای از آزمایش‌های آزمایشی هدایت‌شده با یادگیری ماشینی برای بهبود سیستم‌ها است و همچنین به نام الهه باستانی خرد و صنایع دستی Μῆτις، روشن، نام‌گذاری شده است. “نصیحت عاقلانه”.