Если вы пробовали вегетарианские гамбургеры, напоминающие по вкусу мясо, либо употребляли косметику с синтетическим коллагеном, можно считать, что в определенном смысле вы уже знакомы с синтетической биологией. Ее воздействие чувствуется сейчас фактически во всех секторах: продовольствие, медицина, сельское хозяйство, климат, энергетика и материалы. Спецы в области синтетической биологии задают спецификации никогда не существовавших в природе био систем, к примеру, проектируя бактерий, которые будут биться с раком, а позже «собирают» их в согласовании с этими спецификациями. Но классические способы биоинженерии неспешны и трудоемки, так как главным подходом к выбору подходящих «строй материалов» тут является способ проб и ошибок.
На помощь пришли технологии машинного обучения, приспособленные к потребностям синтетической биологии. Сейчас исследователям не придется растрачивать годы на кропотливый анализ того, за что отвечает любая клеточка. Как выяснилось, при наличии даже ограниченного набора обучающих данных предложенные методы сумеют предсказать, как воздействую на поведение клеточки конфигурации в ДНК либо биохимии, и выдадут советы для последующего инженерного цикла, оценив возможность заслуги хотимой цели.
Способности открываются воистину революционные. Например, на создание антималярийного продукта артемизина ушло 150 человеко-лет, а новейшие технологии обещают создание новейших клеток за считанные недельки.
Группа исследователей из Государственной лаборатории Лоуренса в Беркли (США) разработала метод, получивший заглавие Automated Recommendation Tool. Этот инструмент учитывает индивидуальности синтетической биологии: маленькие наборы обучающих данных, также необходимость количественной оценки неопределенности и рекурсивных циклов.
Метод употреблялся для управления действием метаболической инженерии и роста производства триптофана – аминокислоты широкого диапазона внедрения. Для проведения тестов были выбраны 5 генов, которые представляют в общей трудности практически 8 тыс. вероятных композиций био путей. Потом исследователи получили экспериментальные данные по 250 из этих путей, другими словами всего по 3% всех вероятных композиций. Эти данные использовались для обучения метода.
Рекомендованный методом вариант дозволил прирастить создание триптофана – в два раза по сопоставлению с современным эталонным штаммом и, что любопытно, по сопоставлению с наилучшими вариациями, применяемыми для обучения модели.
Таковым образом, было продемонстрировано, что технологии искусственного ума могут отлично делать рутинные части исследовательских работ в области синтетической биологии, высвобождая время ученых для наиболее творческих действий научного поиска.
Источник: