Машинное обучение трансформирует все области биологической науки и промышленности, но обычно ограничивается несколькими пользователями и сценариями. Группа исследователей из Института наземной микробиологии им. Макса Планка под руководством Тобиаса Эрба разработала модульную программную систему METIS для оптимизации биологических систем. Исследовательская группа демонстрирует удобство использования и универсальность на множестве биологических примеров.
Хотя проектирование биологических систем действительно необходимо в биотехнологии и синтетической биологии , сегодня машинное обучение стало полезным во всех областях биологии. Однако очевидно, что применение и совершенствование алгоритмов, вычислительных процедур, составленных из списков инструкций, не является легко доступным. Мало того, что они ограничены навыками программирования, но часто также недостаточны экспериментально помеченные данные. На стыке вычислительных и экспериментальных работ необходимы эффективные подходы для преодоления разрыва между алгоритмами машинного обучения и их приложениями для биологических систем.
Теперь команде из Института наземной микробиологии им. Макса Планка под руководством Тобиаса Эрба удалось демократизировать машинное обучение. В своей недавней публикации в Nature Communications команда представила совместно с партнерами из Института INRAe в Париже свой инструмент METIS. Приложение построено в такой универсальной и модульной архитектуре, что не требует вычислительных навыков и может применяться на различных биологических системах и с различным лабораторным оборудованием. METIS — это сокращение от управляемых машинным обучением экспериментальных испытаний для улучшения систем, а также названное в честь древней богини мудрости и ремесел Μῆτις, или «мудрого совета».
Требуется меньше данных
Активное обучение, также известное как оптимальный план эксперимента, использует алгоритмы машинного обучения для интерактивного предложения следующего набора экспериментов после обучения на предыдущих результатах, что является ценным подходом для ученых, работающих в лаборатории, особенно при работе с ограниченным количеством экспериментально помеченных данных. . Но одним из основных узких мест являются экспериментально помеченные данные, созданные в лаборатории, которые не всегда достаточно высоки для обучения моделей машинного обучения. «Хотя активное обучение уже снижает потребность в экспериментальных данных, мы пошли дальше и изучили различные алгоритмы машинного обучения . К счастью, мы нашли модель, которая еще меньше зависит от данных», — говорит Амир Панди, один из ведущих авторов исследования.
Чтобы продемонстрировать универсальность METIS, команда использовала его для различных приложений, включая оптимизацию производства белка, генетические конструкции, комбинаторную инженерию ферментативной активности и сложный метаболический цикл фиксации CO 2 под названием CETCH. Для цикла CETCH они исследовали комбинаторное пространство из 1025 условий только с 1000 экспериментальных условий и сообщили о наиболее эффективном каскаде фиксации CO 2 , описанном на сегодняшний день.
Оптимизация биологических систем
В приложении исследование предоставляет новые инструменты для демократизации и продвижения текущих усилий в области биотехнологии, синтетической биологии, дизайна генетических цепей и метаболической инженерии. «METIS позволяет исследователям оптимизировать свои уже открытые или синтезированные биологические системы », — говорит Кристоф Диль, соавтор исследования. «Но это также комбинаторное руководство для понимания сложных взаимодействий и оптимизации, основанной на гипотезах. И что, вероятно, является самым захватывающим преимуществом: это может быть очень полезная система для прототипирования новых для природы систем».
METIS — это модульный инструмент, работающий как записные книжки Google Colab Python, который можно использовать через личную копию записной книжки в веб-браузере без установки, регистрации или необходимости в локальной вычислительной мощности. Материалы, представленные в этой работе, могут помочь пользователям настроить METIS для своих приложений.
