هوش مصنوعی، «مشاور منطقی» برای بیولوژی ترکیبی

به گزارش مجله خبری نگار از پایگاه خبری «تِک‌اکسپلور»، یادگیری ماشینی (machine learning) در حال ایجاد تحول در تمام حوزه‌های علم و صنعت بیولوژیک است اما به کاربران و سناریوهای اندکی محدود است.

گروهی از پژوهشگران در موسسه میکروبیولوژی زمینی ماکس پلانک به سرپرستی توبیاس ارب یک سامانه نرم‌افزاری مدولار (modular) موسوم به METIS برای بهینه‌سازی سیستم‌های بیولوژیک ایجاد کردند. این گروه تحقیقاتی، کاربرد و انعطاف این سامانه را در مورد نمونه‌های بیولوژیکی مختلف نشان دادند.

هر چند مهندسی سامانه‌های بیولوژیک واقعا در فناوری زیستی (بیوتکنولوژی) و بیولوژی ترکیبی، حتمی و ضروری است اما امروز یادگیری ماشینی در تمام حوزه‌ها و زمینه‌های بیوتکنولوژی سودمند شده است با این حال آشکار است که کاربرد و بهبود الگوریتم‌ها و رویه‌های محاسباتی ساخته شده از فهرست دستورالعمل‌ها به آسانی قابل دسترس نیست. آنها نه تنها به واسطه مهارت‌های برنامه‌نویسی محدود می‌شوند، بلکه همچنین اغلب داده‌های تجربی ناکافی نیز موجب محدود شدن آنها می‌شود.

در نقطه تلاقی کارهای محاسباتی و تجربی، نیازی برای رویکردهای کارآمد به منظور پرکردن شکاف موجود بین الگوریتم‌های یادگیری ماشینی و کاربردهای آنها برای سیستم‌های بیولوژیکی وجود دارد.

محققان موسسه ماکس پلانک موفق به دموکراتیزه کردن یادگیری ماشینی شدند، این گروه به همراه همکارانی از یک موسسه علمی در پاریس، ابزار خود را با نام METIS ارایه داده‌اند.

این نام مخفف «آزمایش‌های تجربی با راهنمای یادگیری ماشینی برای بهبود سیستم‌ها» است و همچنین به نام الهه باستانی خِرَد و مهارت Μῆτις یا «مشاور خردمند» نام گذاری شده است. این اپلیکیشن به نوعی انعطاف‌پذیر و مدولار ساخته شده که نیازی به مهارت‌های محاسباتی ندارد، می‌تواند درباره سیستم‌های بیولوژیکی مختلف و با تجهیزات آزمایشگاهی متفاوت به کار برده شود.

داده‌های کمتری مورد نیاز است

یادگیری فعال که به نام طراحی تجربی بهینه هم شناخته می‌شود از الگوریتم‌های یادگیری ماشینی برای پیشنهاد تعاملی مجموعه بعدی آزمایش‌ها بعد از آموزش دیدن درخصوص نتایج قبلی استفاده می‌کند اما یکی از تنگناهای مهم، داده‌های برچسب خورده تجربی و تولید شده در آزمایشگاه است که همیشه برای آموزش دادن مدل‌های یادگیری ماشینی کافی نیستند.

امیر پندی یکی از محققان این کار پژوهشی گفت: هر چند که یادگیری فعال نیاز به داده‌های تجربی را کاهش می‌دهد، اما ما از این هم فراتر رفتیم و الگوریتم‌های مختلف یادگیری ماشینی را بررسی و مدلی را پیدا کردیم که حتی وابستگی کمتری به داده دارد و این دلگرم کننده است.

این تیم برای نشان دادن قابلیت انعطاف سیستم METIS آن را برای کاربردهای مختلفی از جمله بهینه‌سازی تولید پروتئین، ساختارهای ژنتیکی، مهندسی ترکیبی فعالیت آنزیمی و یک چرخه تثبیت دی‌اکسید کربن با نام CETCH مورد استفاده قرار داد.

بهینه‌سازی سیستم‌های بیولوژیک

این کار تحقیقی در زمینه کاربرد ابزارهای نوینی برای عمومی کردن و پیشبرد تلاش‌های کنونی در بیوتکنولوژی، بیولوژی ترکیبی، طراحی مدار ژنتیک و مهندسی متابولیک ارایه شده است. سیستم موسوم به METIS یک ابزار مدولار است که به عنوان نوت‌بوک‌های «گوگل کولاب پیتون» کار می‌کند و می‌تواند از طریق یک کپی شخصی از نوت‌بوک در یک وبگرد (web browser) بدون نصب، ثبت یا نیاز برای نیروی محاسباتی محلی مورد استفاده قرار گیرد.

مواد ارایه شده در این کار می‌تواند کاربران را برای شخصی‌سازی METIS برای کاربردهای آنها راهنمایی کند