سود:
- امکان کاهش تعداد آزمایش ها با تغییر پارامترها با هم و گرفتن تعاملات با طراحی آزمایش ها (DoE)
- امکان ایجاد چرخه یافتن بهترین نقطه در یک فضای پارامتر بزرگ با آزمایشات کم از طریق یادگیری فعال و بهینه سازی بیزی
- توانایی تعادل بهینه ریاضی با واقعیت فیزیکی و ایمنی با دادن محدودیت های فیزیولوژیکی و ایمنی به عنوان محدودیت برای مدل
آزمایش در مهندسی زیستی گران است: یک کشت سلولی هفته ها طول می کشد، یک معرف هزاران پوند هزینه دارد، یک تخمیر چند روز طول می کشد. بنابراین "چه آزمایشی باید انجام دهم؟" سوال حداقل این است که "نتیجه چیست؟" به اندازه سوال مهم است طراحی آزمایشها (DoE - روشی برای برنامهریزی سیستماتیک که ترکیبی از پارامترها بیشترین اطلاعات را با کمترین آزمایش به دست میآورد) آزمون و خطای کور را به جستجوی سیستماتیک تبدیل میکند. هوش مصنوعی این برنامه ریزی و تصمیم گیری «کدام آزمایش بعدی» را در هر مرحله بعدی تسریع می بخشد. اما شما کسی هستید که واقعیت فیزیکی و ایمنی آزمایش را میدانید.
در این بخش، منطق اولیه DoE، یادگیری فعال (بهینهسازی گام به گام با پیشنهاد آزمایشی که مدل از آن بیشتر میآموزد) و بهینهسازی بیزی (روش احتمالاتی که بهترین تنظیمات یک فرآیند را با تعداد کمی آزمایش پیدا میکند) و نحوه استفاده ایمن از هوش مصنوعی را در این برنامهریزی مشاهده خواهید کرد.
چرا یک متغیر کافی نیست؟
رویکرد کلاسیک OFAT است - یک عامل در یک زمان: تغییر دما، سپس تغییر pH... نقص موذی این روش این است که تعاملات را از دست می دهد (تعامل - رفتار دو پارامتر با هم متفاوت از زمانی است که تنها هستند). شاید دمای بالا فقط در pH پایین خوب باشد. DoE با استفاده از طرحهای فاکتوریل که پارامترها را با هم و متعادل تغییر میدهند، تعاملات را ثبت میکند و تعداد آزمایشها را کاهش میدهد.
نکته: وقتی به هوش مصنوعی میگویید «میخواهم 5 پارامتر را بهینه کنم»، ابتدا از آن بخواهید که به جای یک فاکتوریل کامل، یک فاکتوریل کسری (طرحی که آموزندهترین زیرمجموعه پارامترها را انتخاب میکند) یا یک طراحی سطح پاسخ (طرحی که منطقه بهینه را ترسیم میکند) پیشنهاد کند. این می تواند تعداد آزمایش ها را از 243 به 20-30 کاهش دهد.
یادگیری فعال: بهترین آزمایش بعدی
برای برخی مشکلات، نمی توانید همه چیز را از قبل برنامه ریزی کنید. نتیجه هر آزمایش بهترین آزمایش بعدی را تغییر می دهد. اینجاست که یادگیری فعال وارد عمل می شود: مدل به داده های موجود نگاه می کند، آزمایشی را با بالاترین عدم قطعیت یا بیشترین سود مورد انتظار را پیشنهاد می کند، شما آن را انجام می دهید، مدل به روز می شود. این حلقه امکان یافتن نقطه شیرین را در یک فضای پارامتر بزرگ (مثلاً هزاران شرایط ممکن برای یک آنزیم) با آزمایش بسیار کمی فراهم می کند. هوش مصنوعی تصمیم این چرخه "چه بعدی" را محاسبه می کند. اما شما تأیید می کنید که این پیشنهاد از نظر فیزیکی امکان پذیر و ایمن است.
احتیاط: یک مدل بهینهسازی ممکن است شرایط خطرناک یا غیرممکنی را در آزمایشگاه نشان دهد (به عنوان مثال، دمایی که کشت را از بین میبرد، نسبت حلال انفجاری). مدل محدودیت های فیزیولوژیکی و ایمنی را نمی شناسد. هر پیشنهاد را به دانش آزمایشگاهی خود محدود کنید (آن را به عنوان یک محدودیت به مدل بدهید).
سه کیف کوچک
مورد 1 - DoE تعداد آزمایش ها را کاهش داد. یک تیم تولید آنزیم 5 پارامتر (دما، pH، اختلاط، نرخ تغذیه، القاء) را بهینه می کند. فاکتوریل کامل به معنای 243 آزمایش بود. طرح فاکتوریل کسری پیشنهاد شده توسط YZ تعداد آزمایش را به 32 کاهش داد. سطح پاسخ حاصل بهینه یافت و راندمان را تا 27 درصد افزایش داد. تیم هر شرطی را برای ایمنی از قبل تایید کرده است.
مورد 2 - یادگیری فعال تسریع شده است. بیش از 4000 ترکیب ممکن در بهینه سازی یک محیط کشت سلولی وجود داشت. چرخه یادگیری فعال به حد مطلوب رسید که در آن غربالگری کلاسیک برای هفته ها در 18 دور آزمایشی (در مجموع 90 فرهنگ) ادامه داشت. اما دو شرایط پیشنهاد شده توسط مدل از نظر فیزیولوژیکی غیرممکن بود و با دست حذف شدند.
مورد 3 - مرز امنیتی فعال شده است. در یک بهینهسازی فرآیند زیستی، مدل فشار خطرناکی را برای افزایش اکسیژن محلول پیشنهاد کرد. مهندس حد فشار راکتور را به عنوان یک محدودیت به مدل اضافه کرد. توصیه های بعدی در محدوده ایمن باقی ماند. حد فیزیکی بر بهینه ریاضی غلبه کرد.
چهار قالب قابل کپی
1) توصیه طراحی DoE:
نقش شما: کارشناس طراحی تجربی. من می خواهم پارامترهای [N] را بهینه کنم: [پارامترها و محدوده آنها]. هدف من [بازده/فعالیت] است. به من یک طرح DoE مناسب (فاکتوریل کامل/کسری یا سطح پاسخ) پیشنهاد دهید، تعداد آزمایشهای مورد نیاز و هر شرط را جدولبندی کنید. ترکیبات غیرممکن فیزیولوژیکی را علامت بزنید.
2) تنظیم چرخه یادگیری فعال:
نقش شما: مشاور بهینه سازی من می خواهم یک حلقه بهینه سازی بیزی راه اندازی کنم. مراحل را برای من توضیح دهید: بسته بندی اولیه، عملکرد نگهبان (اکتساب)، به روز رسانی، معیارهای توقف. به من بگویید در هر دور چند آزمایش پیشنهاد می کنید و چگونه محدودیت های امنیتی را اضافه کنید. پیشنهاد کتابخانه پایتون
3) تعریف محدودیت امنیتی:
پیشنهادات بهینهسازی من نباید خارج از محدودههای زیر باشد: دما [محدوده]، pH [محدوده]، فشار [حداکثر]، نرخ حلال [حداکثر]. هیچ آزمایشی را پیشنهاد نکنید که بیش از این محدودیت ها باشد. اگر پیشنهادی به حد مجاز نزدیک می شود، به من هشدار دهید و دلیل آن را توضیح دهید.
4) تجزیه و تحلیل نتایج و مرحله بعدی:
من نتایج دور اول DoE (شرایط + پاسخ اندازه گیری شده) را به شما می دهم. به من بگویید: (1) کدام پارامتر مؤثرتر است، (2) آیا تعاملی وجود دارد، (3) 4 آزمایش بعدی را برای نزدیک شدن به بهینه پیشنهاد دهید. هر پیشنهادی را با داده ها توجیه کنید. نتیجهگیری نکنید که در دادهها نیست.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
تخمیر من را بهینه کنید.
بدون پارامتر، بدون محدوده، بدون محدودیت. هوش مصنوعی توصیه های کلی و غیر عملی می دهد.
اعلان قدرتمند:
نقش شما: طراح آزمایش فرآیندهای زیستی. من می خواهم تولید پروتئین نوترکیب را با E. coli بهینه کنم. پارامترها و محدوده: دما 25-37 درجه سانتیگراد، IPTG 0.1-1.0 میلی مولار، القایی OD0.4-0.8، نرخ تغذیه [محدوده]. هدف: تولید پروتئین محلول یک جدول طرح فاکتوریل کسری برای حداکثر 20 آزمایش به من بدهید. شرایطی را که سلول را می کشد علامت گذاری کنید. محدودیت ایمنی: دمای بالاتر از 40 درجه سانتیگراد ممنوع است.
تفاوت: پارامترهای واضح، محدوده، هدف، بودجه آزمایش و محدودیت ایمنی.
روش های DoE و بهینه سازی
روش
چه زمانی
مزیت
مرز
چربی
ساده، یک عامل
نظر آسان
تعامل را از دست می دهد
فاکتوریل کامل
چند پارامتر
همه تعامل
انفجار آزمایشی
فاکتوریل کسری
حذف چند پارامتری
آزمایش کوچک
برخی از تعاملات پنهان است
سطح پاسخ
نقشه برداری بهینه
تنظیم دقیق
غیر خطی بودن
یادگیری فعال
فضای بزرگ، آزمایش گران قیمت
حداقل آزمایش
بستگی به کیفیت مدل داره
تعادل فضای اکتشافی و بهره برداری
تنشی در قلب بهینهسازی وجود دارد: تعادل بین اکتشاف و بهرهبرداری - تعادل بین جستجوی فرصتهای جدید با آزمایش قلمرو ناشناخته و فشرده کردن کارایی با استخراج قلمرو خوب شناخته شده. اگر فقط "در اطراف بهترین نقطه شناخته شده" را امتحان کنید، هرگز بهینه بهتری را در دورتر پیدا نخواهید کرد (در بهینه محلی گیر کنید). اگر فقط به صورت تصادفی کاوش کنید، هرگز نمی توانید قلمرو خوبی را که در اختیار دارید فشرده کنید و بودجه آزمایش خود را مصرف خواهید کرد. تابع نگهبان بهینهسازی بیزی (تابع اکتساب - قانونی که انتخاب میکند آزمایش بعدی را با وزن کردن هر دو سود مورد انتظار و عدم قطعیت انتخاب میکند) به طور خودکار این تعادل را مدیریت میکند. هوش مصنوعی می تواند این مکانیسم را ایجاد کند، اما شما تصمیم می گیرید "چند دور اکتشاف، چند دور بهره برداری" و محدودیت بودجه آزمایش خود را تعیین کنید.
نکته: تمرکز بر اکتشاف (آزمایشهای بزرگ و پراکنده) در دورهای اولیه بهینهسازی. فضای پارامتر را ترسیم کنید. با نزدیکتر شدن به حالت بهینه، به سمت بهرهبرداری (آزمایشهای باریک و تنظیم دقیق) بروید. این انتقال را به تدریج انجام دهید و به نتایج نگاه کنید، نه در یک دور.
اشتباهات رایج
- گیر کردن در OFAT و تعاملات از دست رفته. پارامترها باید با هم تغییر کنند.
- عدم ارائه محدودیت امنیتی به مدل. مدل ممکن است شرایط خطرناک یا غیرممکن را پیشنهاد کند.
- پرش از تکرار و تصادفی سازی. برای توان آماری و کنترل دسته ای مورد نیاز است.
- اتمام بهینه سازی در یک دور. یادگیری فعال تکراری است. برنامه را در هر تور به روز می کند.
- اعمال کورکورانه توصیه مدل. امکان سنجی فیزیکی و هزینه باید به صورت دستی بررسی شود.
به طور خلاصه
طراحی آزمایشی هوشمند، آزمایش های مهندسی زیستی گران قیمت را به تعداد کمی از اندازه گیری های آموزنده کاهش می دهد. DoE تعاملات را ضبط می کند و تعداد آزمایش ها را کاهش می دهد. یادگیری فعال و بهینه سازی بیزی گام به گام بهترین را در فضاهای بزرگ پیدا می کند. هوش مصنوعی این برنامهریزی را محاسبه میکند و تصمیم «بعد چه خواهد شد» را تسریع میبخشد، اما شما محدودیتهای فیزیولوژیکی، ایمنی و امکانسنجی را به عنوان محدودیتهایی برای مدل قائل هستید. بهینه ریاضی نمی تواند بر واقعیت فیزیکی و ایمنی غلبه کند.
وظیفه کاربردی
یک مسئله بهینه سازی را با 3-5 پارامتر از حوزه مورد علاقه خود انتخاب کنید (مثلاً یک محیط کشت یا یک واکنش آنزیمی). یک جدول طراحی فاکتوریل کسری با الگوی "اعلان قوی" برای هوش مصنوعی ایجاد کنید. سپس هر شرط در جدول را از نظر ایمنی و امکان سنجی بررسی کنید: آیا ترکیب غیرممکن یا خطرناکی وجود دارد؟ یک محدودیت ایمنی اضافه کنید، طرح را بازتولید کنید و تفاوت را یادداشت کنید.
چک لیست
- [ ] من از یک طرح DoE (نه OFAT) استفاده کردم که پارامترها را با هم تغییر می دهد.
- [ ] من محدودیت های فیزیولوژیکی و ایمنی را به عنوان محدودیت به مدل دادم.
- [ ] من تکرار و تصادفی سازی را در طرح گنجانده ام.
- [ ] من بهینه سازی را به صورت تکراری برنامه ریزی کردم، آن را در یک دور تمام نکردم.
- [ ] من پیشنهادات مدل را برای امکان سنجی و هزینه بررسی کردم.
- [ ] من هر تفسیر نتیجه را به داده های واقعی نسبت دادم، نتایج جعلی را نپذیرفتم.