ML4SD: Leveraging Machine Learning and High-Throughput Search Algorithms for an Iterative Growth-Coupled Design Innovation
Das Paper stellt ML4SD vor, einen durch aktives Lernen gesteuerten Design-Build-Test-Learn-Zyklus, der maschinelles Lernen mit einem neuartigen Hochdurchsatz-Algorithmus (gcSwarms) integriert, um effizient wachstumsgekoppelte mikrobielle Stammdesigns zu identifizieren und dabei signifikant höhere Kohlenstofferträge mit weitaus weniger experimentellen Iterationen als herkömmliche Suchmethoden zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Im Wettlauf zum Aufbau einer Kreislaufwirtschaft versuchen Wissenschaftler, Mikroben beizubringen, Abfall in wertvolle Chemikalien umzuwandeln und so die auf Öl basierenden Prozesse zu ersetzen, die unsere Welt derzeit antreiben. Stellen Sie sich eine Fabrikhalle vor, in der Bakterien als winzige Arbeiter fungieren, die weggeworfene pflanzliche Materie oder industrielle Nebenprodukte konsumieren und Kunststoffe, Kraftstoffe oder Medikamente „ausspucken“. Die Herausforderung besteht darin, dass diese mikroskopischen Arbeiter von Natur aus Wachstum und Teilung gegenüber der Aufwendung von Energie zur Herstellung eines spezifischen Produkts für Menschen priorisieren. Um dies zu beheben, versuchen Ingenieure, den internen Stoffwechsel der Bakterien so umzuprogrammieren, dass die Herstellung des gewünschten Produkts essenziell für das Überleben des Organismus wird. Wenn die Bakterien aufhören, die Chemikalie zu produzieren, hören sie auch auf zu wachsen. Diese „wachstumsgekoppelte“ Strategie zwingt die Mikroben zur Arbeit, aber das Finden der richtigen genetischen Schalter ist wie die Suche nach der Nadel im Heuhaufen aus Milliarden von Möglichkeiten. Traditionelle Methoden beinhalten das Testen einer genetischen Veränderung nach der anderen, ein langsamer und teurer Prozess, der oft nur wenige Ergebnisse liefert.
Ein Forschungsteam hat nun einen neuen Ansatz entwickelt, der Computermodellierung mit maschinellem Lernen kombiniert, um diese Suche drastisch zu beschleunigen. Sie entwickelten ein System namens ML4SD, das als intelligenter Wegweiser für das Design dieser biotechnologisch veränderten Bakterien dient. Anstatt blind Tausende von genetischen Kombinationen zu testen, nutzt das System einen digitalen Zwilling des Stoffwechsels des Bakteriums, um zu simulieren, wie verschiedene genetische Schnitte dessen Wachstum und Produktion beeinflussen würden. Es nutzt anschließend maschinelles Lernen, um aus diesen Simulationen zu lernen und Muster zu identifizieren, die zum Erfolg führen. Die Forscher fanden heraus, dass für das Funktionieren dieses Lernens der ursprüngliche Pool der simulierten Designs riesig und vielfältig sein muss, einschließlich vieler Designs, die schlecht abschneiden oder versagen. Wenn der Pool nur die „besten“ Designs enthält, wird das Computermodell verwirrt und kann nicht auf neue Situationen generalisieren. Durch das Training mit einem vielfältigen Datensatz lernte das System vorherzusagen, welche genetischen Veränderungen am besten funktionieren würden, wodurch der Suchraum effektiv verengt wurde.
Um ihre Methode zu testen, konzentrierte sich das Team auf eine spezifische und anspruchsvolle Aufgabe: die Umwandlung von 4-Hydroxybenzoat, einer Verbindung, die aus Lignin in Pflanzenabfällen gewonnen wird, in 6-Caprolactam, den Baustein für Nylon-6. Dies ist eine schwierige Umwandlung, da die chemischen Pfade komplex sind und die Bakterien, Pseudomonas putida, diese Aufgabe von Natur aus nicht effizient ausführen. Die Forscher versuchten zunächst, einen bestehenden Algorithmus zu verwenden, um eine Liste potenzieller genetischer Designs zu erstellen, stellten jedoch fest, dass dieser eine kleine, repetitive Liste von Optionen erzeugte, von der das maschinelle Lernmodell nicht effektiv lernen konnte. Das Modell überlegte (overfitted), was bedeutete, dass es die wenigen gegebenen Beispiele auswendig lernte, aber nicht in der Lage war, Ergebnisse für neue, ungesehene Designs vorherzusagen.
Um dies zu lösen, baute das Team einen neuen Suchalgorithmus namens gcSwarms. Im Gegensatz zur vorherigen Methode erkundete dieser Algorithmus den Designraum breiter und generierte in einem einzigen Durchgang eine massive Bibliothek von über 50.000 einzigartigen genetischen Designs. Dies beinhaltete viele Designs, die nicht perfekt waren, was dem System des maschinellen Lernens die reichhaltigen, vielfältigen Daten lieferte, die es benötigte, um die zugrunde liegenden Regeln des Stoffwechsels zu erlernen. Als sie diese vielfältige Bibliothek in ihr ML4SD-System einspeisten, waren die Ergebnisse beeindruckend. Das System identifizierte erfolgreich einen Satz genetischer Deletionen, die die Kohlenstoffausbeute des Prozesses im Vergleich zu den besten durch die initiale Suche gefundenen Designs um bis zu 164 Prozent verbesserten.
Die Stärke dieses Ansatzes liegt in seiner Effizienz. Um diese leistungsstarken Designs zu finden, untersuchte das ML4SD-System weniger als 4.500 Designs. Im Gegensatz dazu musste der traditionelle Suchalgorithmus zwischen 10.000 und 30.000 Designs untersuchen, um ein ähnliches Leistungsniveau zu erreichen. Das bedeutet, dass die neue Methode das gleiche Ergebnis mit zwei- bis siebenmal geringerem Rechenaufwand erzielte. Darüber hinaus war das System in der Lage, einen spezifischen, minimalen Satz von drei genetischen Veränderungen zu bestimmen, die konsistent in den besten Designs auftauchten. Diese Veränderungen lenkten den Energiefluss innerhalb der Zelle effektiv um und zwangen sie dazu, Ressourcen in die Herstellung des Nylon-Vorläufers zu kanalisieren.
Die Forscher betonen, dass es sich bei diesen Ergebnissen derzeit um Simulationen handelt – ein Proof-of-Concept, der das Potenzial der Methode demonstriert. Der nächste Schritt wäre, die tatsächlichen Bakterien im Labor zu züchten und zu testen, ob sie so performen, wie es der Computer vorhersagt. Sollte dies erfolgreich sein, könnte dieser Ansatz die Entwicklung einer nachhaltigen Biomanufacturing-Industrie erheblich beschleunigen und Abfallströme mit weit weniger Zeit und Ressourcen als aktuelle Methoden in wertvolle Materialien verwandeln. Indem sie Maschinen beibringen, aus einer großen Vielfalt von gescheiterten und erfolgreichen Versuchen zu lernen, haben die Forscher eine Roadmap für die Navigation durch die komplexe Landschaft des Metabolic Engineering geschaffen, die einen praktischen Weg zu einer kreislauforientierteren und nachhaltigeren industriellen Zukunft bietet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.