Publikacja na ten temat pojawiła się na łamach Nature Communications i sugeruje, że aplikacja jest oparta na architekturze, dzięki której nie wymaga umiejętności obliczeniowych i może być stosowana na różnych systemach biologicznych. Wszystko to z wykorzystaniem zróżnicowanego sprzętu laboratoryjnego.
Czytaj też: Sztuczny mięsień jest bardziej elastyczny od biologicznych. Zachwyca też innymi możliwościami
METIS, czyli Machine-learning guided Experimental Trials for Improvement of Systems, powinien doprowadzić do wypełnienia luki między algorytmami uczenia maszynowego a ich zastosowaniami w systemach biologicznych. Jak do tej pory opisywane rozwiązanie zostało wykorzystane między innymi do optymalizacji produkcji białek, konstrukcji genetycznych, kombinatorycznej inżynierii aktywności enzymów oraz złożonego cyklu metabolicznego wiązania dwutlenku węgla znanego jako CETCH.
METIS jest oparty na algorytmach uczenia maszynowego
Algorytmy uczenia maszynowego umożliwiają proponowanie eksperymentów na podstawie wyników zebranych wcześniej, na których szkolone były owe algorytmy. Takie podejście będzie szczególnie przydatne w kontekście badań z wykorzystaniem ograniczonego zakresu danych oznaczonych eksperymentalnie. Jak wyjaśniają członkowie zespołu, o ile aktywne uczenie już teraz zmniejszało zapotrzebowanie na dane eksperymentalne, nowy model jest od nich zależny w jeszcze mniejszym stopniu.
Czytaj też: Algorytm wykrywa obiekty bez pomocy człowieka. Dzięki niemu maszyny zobaczą świat
METIS pozwala badaczom albo zoptymalizować już odkryte lub zsyntetyzowane systemy biologiczne. Ale jest to również kombinatoryczny przewodnik do zrozumienia złożonych interakcji i optymalizacji opartej na hipotezach. I co jest prawdopodobnie najbardziej ekscytującą korzyścią: może być bardzo pomocnym systemem do prototypowania nowych dla natury systemów.wyjaśnia Christoph Diehl, jeden z autorów badań