ML4SD: Leveraging Machine Learning and High-Throughput Search Algorithms for an Iterative Growth-Coupled Design Innovation
यह शोधपत्र ML4SD को प्रस्तुत करता है, जो एक सक्रिय-लर्निंग डिज़ाइन-बिल्ड-टेस्ट-लर्न चक्र है जो मशीन लर्निंग को एक नवीन उच्च-थ्रूपुट एल्गोरिदम (gcSwarms) के साथ एकीकृत करता है ताकि ग्रोथ-कपल्ड माइक्रोबियल स्ट्रेन डिज़ाइनों को कुशलतापूर्वक पहचाना जा सके, जिससे पारंपरिक खोज विधियों की तुलना में बहुत कम प्रयोगात्मक पुनरावृत्तियों के साथ काफी अधिक कार्बन यील्ड प्राप्त की जा सकती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
एक चक्रीय अर्थव्यवस्था (circular economy) बनाने की दौड़ में, वैज्ञानिक सूक्ष्मजीवों (microbes) को कचरे को मूल्यवान रसायनों में बदलने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं, जो उन तेल-आधारित प्रक्रियाओं का स्थान ले सकें जो वर्तमान में हमारी दुनिया को संचालित करती हैं। एक ऐसे कारखाने के फर्श की कल्पना करें जहाँ बैक्टीरिया नन्हे श्रमिकों के रूप में कार्य करते हैं, जो छोड़े गए पौधों के अवशेषों या औद्योगिक उपोत्पादों का उपभोग करते हैं और प्लास्टिक, ईंधन या दवाओं के रूप में उन्हें बाहर निकालते हैं। चुनौती यह है कि ये सूक्ष्मदर्शी श्रमिक स्वाभाविक रूप से मनुष्यों के लिए एक विशिष्ट उत्पाद बनाने के लिए ऊर्जा खर्च करने के बजाय विकास और विभाजन को प्राथमिकता देते हैं। इसे ठीक करने के लिए, इंजीनियर बैक्टीरिया के आंतरिक चयापचय (metabolism) को इस तरह से फिर से व्यवस्थित करने का प्रयास करते हैं ताकि वांछित उत्पाद बनाना जीव के अपने अस्तित्व के लिए आवश्यक बन जाए। यदि बैक्टीरिया उत्पादन बंद कर देते हैं, तो उनका विकास भी रुक जाता है। यह "ग्रोथ-कपल्ड" (growth-coupled) रणनीति सूक्ष्मजीवों को काम करने के लिए मजबूर करती है, लेकिन सही आनुवंशिक स्विच ढूँढना अरबों संभावनाओं के ढेर में सुई खोजने जैसा है। पारंपरिक तरीकों में एक बार में एक आनुवंशिक परिवर्तन का परीक्षण किया जाता है, जो एक धीमी और महंगी प्रक्रिया है और अक्सर कम परिणाम देती है।
शोधकर्ताओं की एक टीम ने अब एक नया दृष्टिकोण विकसित किया है जो इस खोज को नाटकीय रूप रूप से तेज करने के लिए कंप्यूटर मॉडलिंग के साथ मशीन लर्निंग को जोड़ता है। उन्होंने ML4SD नामक एक प्रणाली बनाई है, जो इन इंजीनियर किए गए बैक्टीरिया को डिजाइन करने के लिए एक स्मार्ट मार्गदर्शक के रूप में कार्य करती है। हजारों आनुवंशिक संयोजनों का अंधाधुंध परीक्षण करने के बजाय, यह प्रणाली बैक्टीरिया के चयापचय के 'डिजिटल ट्विन' का उपयोग यह सिम्युलेट करने के लिए करती है कि विभिन्न आनुवंशिक कट (genetic cuts) उसके विकास और उत्पादन को कैसे प्रभावित करेंगे। फिर यह मशीन लर्निंग का उपयोग करके इन सिमुलेशन से सीखती है, और उन पैटर्न की पहचान करती है जो सफलता की ओर ले जाते हैं। शोधकर्ताओं ने पाया कि इस सीखने के कार्य के लिए, सिम्युलेटेड डिजाइनों का प्रारंभिक समूह विशाल और विविध होना चाहिए, जिसमें कई विफल या खराब प्रदर्शन करने वाले डिजाइन भी शामिल हों। यदि पूल में केवल "सर्वश्रेष्ठ" डिजाइन ही शामिल होंगे, तो कंप्यूटर मॉडल भ्रमित हो जाएगा और नई स्थितियों में सामान्यीकरण (generalize) नहीं कर पाएगा। विविध डेटा पर प्रशिक्षण प्राप्त करके, सिस्टम ने यह अनुमान लगाने में महारत हासिल की कि कौन से आनुवंशिक परिवर्तन सबसे अच्छा काम करेंगे, जिससे प्रभावी रूप से खोज के दायरे को सीमित किया जा सका।
अपने तरीके का परीक्षण करने के लिए, टीम ने एक विशिष्ट और चुनौतीपूर्ण कार्य पर ध्यान केंद्रित किया: 4-हाइड्रॉक्सीबेंजोएट (जो पौधों के कचरे से प्राप्त लिग्निन से बना एक यौगिक है) को 6-कैप्रोलैक्टम (जो नायलॉन-6 का निर्माण खंड है) में बदलना। यह एक कठिन रूपांतरण है क्योंकि रासायनिक मार्ग जटिल हैं और बैक्टीरिया, Pseudomonas putida, स्वाभाविक रूप से इस कार्य को कुशलतापूर्वक नहीं करते हैं। शोधकर्ताओं ने पहले एक मौजूदा एल्गोरिदम का उपयोग करके संभावित आनुवंशिक डिजाइनों की एक सूची बनाने का प्रयास किया, लेकिन उन्होंने पाया कि इसने विकल्पों की एक छोटी, दोहराव वाली सूची तैयार की जिससे मशीन लर्निंग मॉडल प्रभावी ढंग से नहीं सीख सका। मॉडल 'ओवरफिट' (overfit) हो गया, जिसका अर्थ है कि उसने दिए गए कुछ उदाहरणों को याद तो कर लिया लेकिन नए, अनदेखे डिजाइनों के परिणामों की भविष्यवाणी करने में विफल रहा।
इस समस्या को हल करने के लिए, टीम ने gcSwarms नामक एक नया खोज एल्गोरिदम बनाया। पिछले तरीके के विपरीत, यह एल्गोरिदम डिजाइन स्पेस का अधिक व्यापक रूप से अन्वेषण करता है, जो एक ही रन में 50,000 से अधिक अद्वितीय आनुवंशिक डिजाइनों की एक विशाल लाइब्रेरी बनाता है। इसमें कई ऐसे डिजाइन भी शामिल थे जो पूर्ण नहीं थे, जिससे मशीन लर्निंग सिस्टम को चयापचय के अंतर्निहित नियमों को सीखने के लिए आवश्यक समृद्ध और विविध डेटा मिल सका। जब उन्होंने इस विविध लाइब्रेरी को अपने ML4SD सिस्टम में डाला, तो परिणाम आश्चर्यजनक थे। सिस्टम ने आनुवंशिक परिवर्तनों के एक ऐसे सेट की सफलतापूर्वक पहचान की जिसने केवल प्रारंभिक खोज द्वारा पाए गए सर्वोत्तम डिजाइनों की तुलना में कार्बन यील्ड (carbon yield) को 164 प्रतिशत तक सुधार दिया।
इस दृष्टिकोण की शक्ति इसकी दक्षता में निहित है। इन उच्च-प्रदर्शन वाले डिजाइनों को खोजने के लिए, ML4SD सिस्टम ने 4,500 से कम डिजाइनों का अन्वेषण किया। इसके विपरीत, पारंपरिक खोज एल्गोरिदम को समान स्तर का प्रदर्शन प्राप्त करने के लिए 10,000 से 30,000 डिजाइनों की जांच करनी पड़ी। इसका मतलब है कि नए तरीके ने दो से सात गुना कम कम्प्यूटेशनल प्रयास का उपयोग करके वही परिणाम प्राप्त किया। इसके अलावा, सिस्टम तीन आनुवंशिक परिवर्तनों के एक विशिष्ट, न्यूनतम सेट को पिनपॉइंट करने में सक्षम रहा जो सर्वोत्तम डिजाइनों में लगातार दिखाई दिए। इन परिवर्तनों ने कोशिका के भीतर ऊर्जा के प्रवाह को प्रभावी ढंग से पुनर्गठित किया, जिससे यह संसाधनों को नायलॉन के अग्रदूत (precursor) बनाने की ओर मोड़ने के लिए मजबूर हुआ।
शोधकर्ता इस बात पर जोर देते हैं कि ये निष्कर्ष वर्तमान में सिमुलेशन हैं, जो एक 'प्रूफ ऑफ कॉन्सेप्ट' है जो इस पद्धति की क्षमता को प्रदर्शित करता है। अगला कदम प्रयोगशाला में वास्तविक बैक्टीरिया बनाना और यह परीक्षण करना होगा कि क्या वे कंप्यूटर द्वारा की गई भविष्यवाणी के अनुसार प्रदर्शन करते हैं। यदि सफल रहे, तो यह दृष्टिकोण टिकाऊ बायोमैन्युफैक्चरिंग के विकास को महत्वपूर्ण रूप से तेज कर सकता है, जिससे कचरे के प्रवाह को मूल्यवान सामग्रियों में बदलने के लिए वर्तमान विधियों की तुलना में बहुत कम समय और संसाधनों की आवश्यकता होगी। मशीनों को विफल और सफल दोनों प्रयासों की एक विस्तृत श्रृंखला से सीखना सिखाकर, शोधकर्ताओं ने जटिल मेटाबॉलिक इंजीनियरिंग के परिदृश्य में नेविगेट करने के लिए एक रोडमैप तैयार किया है, जो अधिक चक्रीय और टिकाऊ औद्योगिक भविष्य के लिए एक व्यावहारिक मार्ग प्रदान करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।