Pelnas:
- Galimybė sumažinti eksperimentų skaičių kartu keičiant parametrus ir užfiksuojant sąveiką su eksperimentų planu (DoE)
- Galimybė sukurti ciklą, kaip rasti geriausią tašką didelėje parametrų erdvėje su keliais eksperimentais, naudojant aktyvų mokymąsi ir Bajeso optimizavimą
- Gebėjimas subalansuoti matematinį optimalumą su fizine tikrove ir saugumu, modeliui nustatant fiziologines ir saugos ribas.
Eksperimentavimas bioinžinerijos srityje yra brangus: ląstelių kultūra trunka savaites, reagentas kainuoja tūkstančius svarų, fermentatorius veikia kelias dienas. Taigi "kokį eksperimentą turėčiau atlikti?" Klausimas bent jau toks: „koks rezultatas? yra toks pat svarbus kaip ir klausimas. Eksperimentų planavimas (DoE – metodas, leidžiantis sistemingai planuoti, kurie parametrų deriniai duos daugiausiai informacijos atliekant mažiausiai eksperimentų) paverčia aklą bandymą ir klaidą sistemine paieška. AI pagreitina planavimą ir sprendimą „kuris eksperimentuoti toliau“ kiekviename paskesniame etape; bet jūs esate tas, kuris žino fizinę eksperimento tikrovę ir saugumą.
Šiame skyriuje pamatysite pagrindinę DoE logiką, aktyvaus mokymosi (žingsnis po žingsnio optimizavimas, pasiūlant eksperimentą, iš kurio modelis pasimokys daugiausiai) ir Bajeso optimizavimo (tikimybinis metodas, kuris randa geriausią proceso nustatymą su nedideliu eksperimentų skaičiumi) metodus ir kaip saugiai naudoti AI planuojant.
Kodėl neužtenka vieno kintamojo?
Klasikinis metodas yra OFAT – vienas veiksnys vienu metu: pakeiskite temperatūrą, tada pakeiskite pH... Klastinga šio metodo yda ta, kad jis praleidžia sąveiką (sąveika – du parametrai kartu elgiasi skirtingai nei būdami vieni). Galbūt aukšta temperatūra yra gera tik esant žemam pH. DoE fiksuoja sąveikas ir sumažina eksperimentų skaičių naudodama faktorines konstrukcijas, kurios kartu keičia parametrus ir subalansuoja.
Patarimas: kai sakote AI „Noriu optimizuoti 5 parametrus“, pirmiausia paprašykite, kad jis pasiūlytų trupmeninį faktorialą (dizainas, parenkantis informatyviausią parametrų pogrupį) arba atsako paviršiaus dizainą (dizainas, nurodantis optimalų regioną), o ne visą faktorialą. Tai galėtų sumažinti eksperimentų skaičių nuo 243 iki 20–30.
Aktyvus mokymasis: kitas geriausias eksperimentas
Dėl kai kurių problemų negalite visko suplanuoti iš anksto; Kiekvieno eksperimento rezultatas pakeičia kitą geriausią eksperimentą. Čia atsiranda aktyvus mokymasis: modelis žiūri į turimus duomenis, pasiūlo eksperimentą su didžiausiu neapibrėžtumu arba didžiausiu laukiamu pelnu, jūs tai darote, modelis atnaujinamas. Ši kilpa leidžia labai mažai eksperimentuojant rasti saldžiąją vietą didelėje parametrų erdvėje (pavyzdžiui, tūkstančiai galimų fermento sąlygų). AI apskaičiuoja šio ciklo sprendimą „kas toliau“; bet jūs patvirtinate, kad pasiūlymas yra fiziškai įmanomas ir saugus.
Atsargiai: optimizavimo modelis gali reikšti pavojingą arba neįmanomą būklę laboratorijoje (pvz., temperatūrą, kuri sunaikintų kultūrą, sprogstamojo tirpiklio santykį). Modelis nežino fiziologinių ir saugos ribų; Apribokite kiekvieną pasiūlymą savo laboratorinėmis žiniomis (pateikite jas modeliui kaip apribojimą).
trys mini dėklai
1 atvejis – DoE sumažino eksperimentų skaičių. Fermentų gamybos komanda optimizuotų 5 parametrus (temperatūrą, pH, maišymą, padavimo greitį, induktorių). Visas faktorialas reiškė 243 eksperimentus. YZ pasiūlytas trupmeninis faktorinis dizainas sumažino eksperimentų skaičių iki 32; gautas atsako paviršius buvo optimalus ir padidino efektyvumą 27%. Komanda iš anksto patvirtino visas saugumo sąlygas.
2 atvejis – paspartintas aktyvus mokymasis. Viename ląstelių kultūros terpės optimizavime buvo daugiau nei 4000 galimų kompozicijų. Aktyvus mokymosi ciklas pasiekė optimalų lygį, kai klasikinė atranka truko savaites per 18 eksperimentinių ciklų (iš viso 90 kultūrų). Tačiau dvi modelio pasiūlytos sąlygos buvo fiziologiškai neįmanomos ir buvo pašalintos ranka.
3 atvejis – suaktyvinta apsaugos riba. Biologinio proceso optimizavimo metu modelis pasiūlė pavojingą slėgį, kad padidėtų ištirpusio deguonies kiekis. Inžinierius į modelį įtraukė reaktoriaus slėgio ribą kaip apribojimą; tolesnės rekomendacijos išliko saugaus diapazono ribose. Fizinė riba pranoko matematinį optimalumą.
Keturi kopijuojami šablonai
1) DoE projektavimo rekomendacija:
Jūsų vaidmuo: eksperimentinio dizaino ekspertas. Noriu optimizuoti [N] parametrus: [parametrai ir jų diapazonai]. Mano tikslas yra [produktyvumas / veikla]. Pasiūlykite man tinkamą DoE dizainą (visas / trupmeninis faktorinis arba atsako paviršius), nurodykite reikalingų eksperimentų skaičių ir kiekvieną sąlygą. Pažymėkite fiziologiškai neįmanomus derinius.
2) Aktyvaus mokymosi ciklo nustatymas:
Jūsų vaidmuo: optimizavimo konsultantas. Noriu nustatyti Bajeso optimizavimo kilpą. Paaiškinkite man žingsnius: pradinis įvyniojimas, stebėjimo funkcija (įsigijimas), atnaujinimas, sustabdymo kriterijai. Pasakykite man, kiek eksperimentų pasiūlysite kiekviename etape ir kaip pridėti saugumo apribojimų. Siūlyti Python biblioteką.
3) Saugumo apribojimo apibrėžimas:
Mano optimizavimo pasiūlymai neturėtų IŠJUNGTI šių ribų: temperatūra [diapazonas], pH [diapazonas], slėgis [maks.], tirpiklio greitis [maks.]. Nesiūlykite jokių eksperimentų, kurie viršija šias ribas. Jei pasiūlymas artėja prie ribos, įspėkite mane ir paaiškinkite, kodėl.
4) Rezultatų analizė ir kitas žingsnis:
Pateiksiu jums pirmojo DoE etapo rezultatus (sąlygos + išmatuotas atsakas). Pasakykite man: (1) kurie parametrai yra efektyviausi, (2) ar yra sąveika, (3) pasiūlykite kitus 4 eksperimentus, kad būtų galima pasiekti optimalų. Kiekvieną pasiūlymą pagrįskite duomenimis; nedarykite išvadų, kurių nėra duomenyse.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Optimizuokite mano fermentaciją.
Jokių parametrų, jokių diapazonų, jokių apribojimų; AI pateikia bendrų ir nepraktiškų rekomendacijų.
Galingas raginimas:
Jūsų vaidmuo: bioprocesų eksperimentų dizaineris. Noriu optimizuoti rekombinantinių baltymų gamybą naudojant E. coli. Parametrai ir diapazonai: temperatūra 25-37°C, IPTG 0,1-1,0 mM, indukcija OD0,4-0,8, padavimo greitis [diapazonas]. Tikslas: tirpių baltymų derlius. Duokite man trupmeninio faktorinio dizaino lentelę, skirtą ne daugiau kaip 20 eksperimentų. Pažymėkite sąlygas, kurios sunaikins ląstelę. Saugos riba: aukštesnė nei 40°C temperatūra DRAUDŽIAMA.
Skirtumas: aiškūs parametrai, diapazonai, tikslas, eksperimento biudžetas ir saugos apribojimai.
DoE ir optimizavimo metodai
Metodas
kada
Privalumas
siena
OFAT
Paprasta, vienas veiksnys
lengvas komentaras
Pasigenda bendravimo
pilnas faktorialas
keli parametrai
Visa sąveika
bandomasis sprogimas
Trupmeninis faktorialas
Kelių parametrų pašalinimas
mažas eksperimentas
Tam tikra sąveika yra paslėpta
atsako paviršius
Optimalus kartografavimas
tikslus derinimas
netiesiškumas
aktyvus mokymasis
Didelė erdvė, brangus eksperimentas
mažiausiai eksperimentuoti
Priklauso nuo modelio kokybės
Tyrinėjimo erdvės ir eksploatavimo balansas
Optimizavimo esmė yra įtampa: pusiausvyra tarp tyrinėjimo ir eksploatavimo – pusiausvyra tarp naujų galimybių ieškojimo bandant nežinomą teritoriją ir efektyvumo mažinimo kasant žinomą gerą teritoriją. Jei bandysite tik „aplink geriausiai žinomą tašką“, toliau niekada nerasite daug geresnio optimalumo (įstrigsite vietiniame optimaliame). Jei tyrinėsite tik atsitiktinai, niekada negalėsite išspausti turimos geros teritorijos ir išnaudosite savo eksperimento biudžetą. Bajeso optimizavimo kontrolinė funkcija (gavimo funkcija – taisyklė, kuri pasirenka, kur vykdyti kitą eksperimentą, pasverdama numatomą padidėjimą ir neapibrėžtumą) automatiškai valdo šį balansą. AI gali sukurti šį mechanizmą, bet jūs nusprendžiate, „kiek tyrinėjimo raundų, kiek eksploatavimo raundų“ ir eksperimento biudžeto limitą.
Patarimas: sutelkite dėmesį į tyrinėjimą (didelius, išsklaidytus eksperimentus) ankstyvosiose optimizavimo stadijose; Nubrėžkite parametrų erdvę. Kai artėsite prie optimalaus, pereikite prie išnaudojimo (siaurų, koreguojančių eksperimentų). Atlikite šį perėjimą palaipsniui, žiūrėdami į rezultatus, o ne per vieną ratą.
Dažnos klaidos
- Įstrigo OFAT ir trūksta sąveikų. Parametrai turi keistis kartu.
- Nesuteikia modeliui saugumo apribojimų. Modelis gali pasiūlyti pavojingas arba neįmanomas sąlygas.
- Pasikartojimo ir atsitiktinės atrankos praleidimas. Reikalingas statistinei galiai ir partijos valdymui.
- Optimizavimo pabaiga vienu raundu. Aktyvus mokymasis yra kartotinis; atnaujina kiekvienos kelionės planą.
- Aklai taikant modelio rekomendaciją. Fizinis pagrįstumas ir kaina turi būti tikrinami rankiniu būdu.
Apibendrinant
Pažangus eksperimentinis dizainas sumažina brangius bioinžinerijos eksperimentus iki nedidelio skaičiaus informatyvių matavimų. DoE fiksuoja sąveikas ir sumažina eksperimentų skaičių; Aktyvus mokymasis ir Bajeso optimizavimas žingsnis po žingsnio atranda geriausią vietą didelėse erdvėse. Dirbtinis intelektas apskaičiuoja šį planavimą ir pagreitina sprendimo „kas toliau“ priėmimą, tačiau jūs nurodote modelio fiziologines ribas, saugumą ir pagrįstumą. Matematinis optimalumas negali nugalėti fizinės tikrovės ir saugumo.
Taikymo užduotis
Pasirinkite optimizavimo užduotį su 3–5 parametrais iš jus dominančios srities (pvz., auginimo terpė arba fermento reakcija). Sukurkite trupmeninio faktorinio dizaino lentelę naudodami „stiprių raginimų“ šabloną, skirtą AI. Tada patikrinkite kiekvieną lentelėje pateiktą sąlygą dėl saugumo ir pagrįstumo: ar yra neįmanomas ar pavojingas derinys? Pridėkite saugos apribojimą, atkurkite dizainą ir atkreipkite dėmesį į skirtumą.
kontrolinis sąrašas
- [ ] Naudojau DoE dizainą (ne OFAT), kuris kartu keičia parametrus.
- [ ] Kaip apribojimus pateikiau modeliui fiziologines ir saugos ribas.
- [ ] Į dizainą įtraukiau kartojimą ir atsitiktinių imčių pasirinkimą.
- [ ] Optimizavimą planavau iteratyviai, nebaigiau per vieną raundą.
- [ ] Patikrinau modelio pasiūlymus dėl galimybių ir kainos.
- [ ] Kiekvieną rezultato interpretaciją priskyriau tikriems duomenims, netikrų rezultatų nepriėmiau.