محققان سیستم نرم افزاری کاربر پسند را برای بهینه سازی سیستم های بیولوژیکی – ScienceDaily توسعه می دهند


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 بیولوژیکی مختلف 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 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.

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.”

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 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

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 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.

منبع داستان:

مواد تهیه شده توسط ماکس پلانک-گسلشافت. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]