يطور العلماء أداة
التعلم الآلي يمكنها تسريع القدرة على تصميم أنظمة بيولوجية جديدة بشكل كبير
المصدر sciencedaily.com
البيولوجيا التركيبية
مجالاً ناشئاً يستخدم المبادئ الهندسية لتصميم وتجميع المكونات البيولوجية. إنه مجال
مليء بالإمكانيات، لأنه يسمح للعلماء بتصميم أنظمة بيولوجية حسب المواصفات، مثل هندسة
ميكروب لإنتاج عامل مكافحة السرطان. ومع ذلك، فإن الأساليب التقليدية في الهندسة الحيوية
بطيئة وشاقة، إضافة الى الخطأ الذي هو سمة بشرية.
الآن العلماء في
مختبر لورنس بيركلي الوطني التابع لوزارة الطاقة (مختبر بيركلي) طوروا أداة جديدة تكيف
خوارزميات التعلم الآلي مع احتياجات البيولوجيا التركيبية لتوجيه التطوير بشكل منهجي.
يعني هذا الابتكار أن العلماء لن يضطروا إلى قضاء سنوات في تطوير فهم دقيق لكل جزء
من أجزاء الخلية وما تفعله من أجل التلاعب بها ؛ بدلاً من ذلك ، مع مجموعة محدودة من
بيانات التدريب ، تكون الخوارزميات قادرة على التنبؤ بكيفية تأثير التغييرات في الحمض
النووي للخلية أو الكيمياء الحيوية على سلوكها ، ثم تقديم توصيات للدورة الهندسية التالية
جنبًا إلى جنب مع التوقعات الاحتمالية لتحقيق الهدف المنشود.
قال هيكتور جارسيا
مارتن ، الباحث في قسم النظم البيولوجية والهندسة (BSE)
في مختبر بيركلي والذي قاد البحث: في الوقت الحالي ، تعد الهندسة الحيوية عملية بطيئة
للغاية. استغرق الأمر 150 عامًا لإنشاء عقار مضاد للملاريا، وهو مادة الأرتيميسينين.
إذا كنت قادرًا على إنشاء خلايا جديدة وفقًا للمواصفات في غضون أسبوعين أو أشهر بدلاً
من سنوات، إنك حقا قمت بثورة في مجال الهندسة الحيوية.
من خلال العمل
مع عالمة بيانات BSE Tijana
Radivojevic
ومجموعة دولية من الباحثين ، طور الفريق وأظهر خوارزمية معلقة ببراءة
اختراع تسمى أداة التوصية الآلية (ART)
، الموصوفة في زوج من الأوراق المنشورة مؤخرًا في مجلة Nature Communications. يسمح التعلم الآلي لأجهزة الكمبيوتر بعمل تنبؤات
بعد "التعلم" من كميات كبيرة من بيانات "التدريب" المتاحة.
في "ART: أداة توصية آلية للتعلم الآلي للبيولوجيا التركيبية"
، بقيادة Radivojevic ، قدم الباحثون الخوارزمية
المصممة خصيصًا لخصوصيات مجال البيولوجيا التركيبية: مجموعات بيانات تدريبية صغيرة
، والحاجة إلى قياس عدم اليقين ، والتكرار دورات. تم عرض قدرات الأداة من خلال بيانات
المحاكاة والتاريخ من مشاريع هندسة التمثيل الغذائي السابقة، مثل تحسين إنتاج الوقود
الحيوي المتجدد.
في "الجمع
بين نماذج التعلم الآلي والآلي للهندسة التنبؤية وتحسين استقلاب التربتوفان" ،
استخدم الفريق تقنية ART لتوجيه عملية هندسة التمثيل
الغذائي لزيادة إنتاج التربتوفان ، وهو حمض أميني له استخدامات مختلفة ، بواسطة نوع
من الخميرة يُدعى Saccharomyces
cerevisiae
، أو خميرة الخباز. قاد المشروع Jie Zhang و Soren Petersen من مركز Novo Nordisk Foundation للاستدامة الحيوية في الجامعة التقنية في الدنمارك
، بالتعاون مع علماء في Berkeley Lab
و Teselagen ، وهي شركة ناشئة مقرها سان
فرانسيسكو.
لإجراء التجربة
، اختاروا خمسة جينات ، كل منها يتحكم فيه محفز جيني مختلف وآليات أخرى داخل الخلية
وتمثل ، في المجموع ، ما يقرب من 8000 مجموعة محتملة من المسارات البيولوجية. ثم حصل
الباحثون في الدنمارك على بيانات تجريبية على 250 مسارًا ، تمثل 3٪ فقط من جميع التركيبات
الممكنة ، واستخدمت تلك البيانات لتدريب الخوارزمية. بعبارة أخرى ، تعلمت ART ما هو الناتج (إنتاج الأحماض الأمينية) المرتبط بالمدخلات
(التعبير الجيني).
بعد ذلك، باستخدام
الاستدلال الإحصائي، تمكنت الأداة من استقراء كيفية تأثير كل من المجموعات المتبقية
التي تزيد عن 7000 مجموعة على إنتاج التربتوفان. التصميم الذي أوصى به في النهاية زيادة
إنتاج التربتوفان بنسبة 106٪ فوق السلالة المرجعية الحديثة وبنسبة 17٪ على أفضل التصاميم
المستخدمة لتدريب النموذج.
"هذا دليل
واضح على أن الهندسة الحيوية التي يقودها التعلم الآلي مجدية، ومزعجة إذا كانت قابلة
للتطوير. لقد فعلنا ذلك لخمسة جينات ، لكننا نعتقد أنه يمكن إجراؤها من أجل الجينوم
الكامل ،" قال جارسيا مارتن ، وهو عضو في Agile BioFoundry وأيضًا مدير فريق النمذجة الأيضية الكمية في معهد
الطاقة الحيوية المشترك (JBEI)
، وهو مركز أبحاث الطاقة الحيوية التابع لوزارة الطاقة ؛ كلاهما أيد جزءًا من هذا العمل.
"هذه مجرد البداية. بهذا، أظهرنا أن هناك طريقة بديلة للقيام بهندسة التمثيل الغذائي.
يمكن للخوارزميات أن تؤدي تلقائيًا الأجزاء الروتينية من البحث بينما تكرس وقتك للأجزاء
الأكثر إبداعًا في المسعى العلمي: اتخاذ القرار بشأن الأسئلة المهمة وتصميم التجارب
وترسيخ المعرفة المكتسبة ".
مطلوب المزيد من
البيانات
يقول الباحثون
إنهم فوجئوا بقلة البيانات اللازمة للحصول على النتائج. حتى الآن لتحقيق إمكانات البيولوجيا
التركيبية حقًا، يقولون إن الخوارزميات ستحتاج إلى التدريب على المزيد من البيانات.
يصف غارسيا مارتن علم الأحياء التركيبي بأنه في مهده فقط -وهو ما يعادل مكان الثورة
الصناعية في تسعينيات القرن التاسع عشر. وقال: "فقط من خلال الاستثمار في الأتمتة
والتقنيات عالية الإنتاجية ستتمكن من الاستفادة من البيانات اللازمة لإحداث ثورة حقيقية
في الهندسة الحيوية".
وأضاف Radivojevic: "لقد قدمنا المنهجية وشرحًا على مجموعة
بيانات صغيرة ؛ قد تكون التطبيقات المحتملة ثورية نظرًا لإمكانية الوصول إلى كميات
كبيرة من البيانات."
القدرات الفريدة
للمختبرات الوطنية
إلى جانب ندرة
البيانات التجريبية، يقول غارسيا مارتن إن القيد الآخر هو رأس المال البشري -أو خبراء
التعلم الآلي. نظرًا لانفجار البيانات في عالمنا اليوم، تتنافس العديد من المجالات
والشركات على عدد محدود من الخبراء في التعلم الآلي والذكاء الاصطناعي.
يلاحظ جارسيا مارتن
أن معرفة علم الأحياء ليست شرطًا أساسيًا مطلقًا، إذا كانت محاطة ببيئة الفريق التي
توفرها المختبرات الوطنية. Radivojevic ، على سبيل المثال ، حاصل على
درجة الدكتوراه في الرياضيات التطبيقية وليس لديه خلفية في علم الأحياء. قال
"في غضون عامين هنا، كانت قادرة على التعاون بشكل مثمر مع فريقنا متعدد التخصصات
من علماء الأحياء والمهندسين وعلماء الكمبيوتر وإحداث فرق في مجال البيولوجيا التركيبية".
"في الطرق التقليدية للقيام بهندسة التمثيل الغذائي، كان عليها أن تقضي خمس أو
ست سنوات فقط في تعلم المعرفة البيولوجية اللازمة قبل حتى أن تبدأ تجاربها المستقلة."
قال جارسيا مارتن:
"توفر المختبرات الوطنية البيئة التي يمكن أن يزدهر فيها التخصص والتوحيد ويتحدان
في فرق كبيرة متعددة التخصصات التي تمثل السمة المميزة لهم".
تمتلك البيولوجيا
التركيبية القدرة على إحداث تأثيرات كبيرة في كل قطاع تقريبًا: الغذاء، والطب، والزراعة،
والمناخ، والطاقة، والمواد. يُقدر سوق البيولوجيا التركيبية العالمية حاليًا بحوالي
4 مليارات دولار ومن المتوقع أن ينمو إلى أكثر من 20 مليار دولار بحلول عام 2025، وفقًا
لتقارير السوق المختلفة.
"إذا تمكنا
من أتمتة هندسة التمثيل الغذائي، فيمكننا السعي لتحقيق أهداف أكثر جرأة. يمكننا هندسة
الميكروبيومات لأغراض علاجية أو معالجة حيوية. يمكننا هندسة الميكروبيومات في أمعائنا
لإنتاج أدوية لعلاج التوحد، على سبيل المثال، أو الميكروبيومات في البيئة التي تحول
من النفايات إلى الوقود الحيوي "، قال جارسيا مارتن. "يتيح الجمع بين التعلم
الآلي وتحرير الجينات المستند إلى CRISPR
تقاربًا أكثر فاعلية مع المواصفات المطلوبة."
تعليقات
إرسال تعليق