ML4SD: Leveraging Machine Learning and High-Throughput Search Algorithms for an Iterative Growth-Coupled Design Innovation
تقدم الورقة البحثية ML4SD، وهي دورة تعلم نشط من نوع "التصميم-البناء-الاختبار-التعلم" تدمج التعلم الآلي مع خوارزمية جديدة عالية الإنتاجية (gcSwarms) لتحديد تصميمات السلالات الميكروبية المقترنة بالنمو بكفاءة، مما يحقق عوائد كربون أعلى بكثير بعدد أقل بكثير من التكرارات التجريبية مقارنة بطرق البحث التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
في السباق نحو بناء اقتصاد دائري، يحاول العلماء تعليم الميكروبات كيفية تحويل النفايات إلى مواد كيميائية قيمة، لتحل محل العمليات القائمة على النفط التي تدير عالمنا حاليًا. تخيل أرضية مصنع حيث تعمل البكتيريا كعمال صغار، تستهلك المواد النباتية المهملة أو المنتجات الثانوية الصناعية وتخرج بلاستيك أو وقود أو أدوية. التحدي يكمن في أن هؤلاء العمال المجهريين يعطون الأولوية طبيعيًا للنمو والانقسام على حساب بذل الطاقة في صنع منتج محدد للبشر. ولإصلاح ذلك، يحاول المهندسون إعادة برمجة التمثيل الغذائي الداخلي للبكتيريا بحيث يصبح صنع المنتج المطلوب أمرًا ضروريًا لبقاء الكائن الحي نفسه. إذا توقفت البكتيريا عن إنتاج المادة الكيميائية، فإنها تتوقف عن النمو. هذه الاستراتيجية القائمة على "الربط بالنمو" تجبر الميكروبات على القيام بالعمل، لكن العثور على المفاتيح الجينية الصحيحة التي يجب تشغيلها يشبه البحث عن إبرة في كومة من مليارات الاحتمالات. تتضمن الطرق التقليدية اختبار تغيير جيني واحد في كل مرة، وهي عملية بطيئة ومكلفة وغالبًا ما تسفر عن نتائج قليلة.
وقد طور فريق من الباحثين الآن نهجًا جديدًا يجمع بين النمذجة الحاسوبية والتعلم الآلي لتسريع عملية البحث هذه بشكل كبير. لقد أنشأوا نظامًا يسمى ML4SD، والذي يعمل كدليل ذكي لتصميم هذه البكتيريا المعدلة. فبدلاً من اختبار آلاف التوليفات الجينية بشكل عشوائي، يستخدم النظام "توأمًا رقميًا" للتمثيل الغذائي للبكتيريا لمحاكاة كيفية تأثير القطوع الجينية المختلفة على نموها وإنتاجها. ثم يستخدم التعلم الآلي للتعلم من هذه المحاكاة، وتحديد الأنماط التي تؤدي إلى النجاح. ووجد الباحثون أنه لكي يعمل هذا التعلم، يجب أن تكون المجموعة الأولية من التصاميم المحاكات ضخمة ومتنوعة، بما في ذلك العديد من التصاميم التي تفشل أو تؤدي أداءً ضعيفًا. فإذا كانت المجموعة تحتوي فقط على التصاميم "الأفضل"، فسيصاب النموذج الحاسوبي بالارتباك ولن يتمكن من التعميم على مواقف جديدة. ومن خلال التدريب على مجموعة بيانات متنوعة، تعلم النظام التنبؤ بالتغييرات الجينية التي ستعمل بشكل أفضل، مما أدى بفعالية إلى تضييق نطاق البحث.
ولاختبار طريقتهم، ركز الفريق على مهمة محددة وصعبة: تحويل 4-هيدروكسي بنزوات، وهو مركب مشتق من اللجنين الموجود في النفايات النباتية، إلى 6-كابرولاكتام، وهو اللبنة الأساسية للنايلون-6. يعد هذا التحويل صعبًا لأن المسارات الكيميائية معقدة والبكتيريا، Pseudomonas putida، لا تقوم بهذه المهمة بكفاءة بشكل طبيعي. حاول الباحثون أولاً استخدام خوارزمية موجودة لإنشاء قائمة بالتصاميم الجينية المحتملة، لكنهم اكتشفوا أنها أنتجت قائمة صغيرة ومتكررة من الخيارات التي لم يستطع نموذج التعلم الآلي التعلم منها بفعالية؛ حيث حدث "فرط في التخصيص" (overfitting)، مما يعني أن النموذج حفظ الأمثلة القليلة التي أُعطيت له لكنه فشل في التنبؤ بالنتائج للتصاميم الجديدة غير المرئية.
ولحل هذه المشكلة، بنى الفريق خوارزمية بحث جديدة تسمى gcSwarms. وعلى عكس الطريقة السابقة، استكشفت هذه الخوارزمية مساحة التصميم بشكل أوسع، حيث أنتجت مكتبة ضخمة تضم أكثر من 50,000 تصميم جيني فريد في عملية واحدة. وتضمنت هذه المكتبة العديد من التصاميم التي لم تكن مثالية، مما وفر لنظام التعلم الآلي البيانات الغنية والمتنوعة التي يحتاجها لتعلم القواعد الأساسية للتمثيل الغذائي. وعندما أدخلوا هذه المكتبة المتنوعة في نظام ML4SD الخاص بهم، كانت النتائج مذهلة. فقد نجح النظام في تحديد مجموعة من الحذف الجيني التي حسنت عائد الكربون للعملية بنسبة تصل إلى 164 بالمائة مقارم بأفضل التصاميم التي وجدتها عملية البحث الأولية وحدها.
تكمن قوة هذا النهج في كفاءته. فمن أجل العثور على هذه التصاميم عالية الأداء، استكشف نظام ML4SD أقل من 4,500 تصميم. وفي المقابل، كان على خوارزمية البحث التقليدية فحص ما بين 10,000 و30,000 تصميم للوصول إلى مستوى مماثل من الأداء. وهذا يعني أن الطريقة الجديدة حققت نفس النتيجة باستخدام جهد حاسوبي أقل بمعدل مرتين إلى سبع مرات. علاوة على ذلك، تمكن النظام من تحديد مجموعة دنيا محددة من ثلاثة تغييرات جينية ظهرت باستمرار في أفضل التصاميم. وقد وجهت هذه التغييرات بفعالية تدفق الطاقة داخل الخلية، مما أجبرها على توجيه الموارد نحو صنع سلائف النايلون.
ويؤكد الباحثون أن هذه النتائج هي حاليًا مجرد عمليات محاكاة، وهي بمثابة إثبات للمفهوم يوضح إمكانات هذه الطريقة. وتتمثل الخطوة التالية في بناء البكتيريا الفعلية في المختبر واختبار ما إذا كانت تعمل كما توقع الحاسوب. وإذا نجحت، يمكن لهذا النهج أن يسرع بشكل كبير تطوير التصنيع الحيوي المستدام، وتحويل مجاري النفايات إلى مواد قيمة بوقت وموارد أقل بكثير مما تسمح به الطرق الحالية. ومن خلال تعليم الآلات كيفية التعلم من مجموعة واسعة من المحاولات الفاشلة والناجحة، رسم الباحثون خارطة طريق للتنقل في المشهد المعقد للهندسة الأيضية، مما يوفر مسارًا عمليًا نحو مستقبل صناعي أكثر دائرية واستدامة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.