Ieguvumi:
- Spēja samazināt eksperimentu skaitu, mainot parametrus kopā un fiksējot mijiedarbību ar eksperimentu plānošanu (DoE)
- Spēja izveidot ciklu labākā punkta atrašanai lielā parametru telpā ar dažiem eksperimentiem, izmantojot aktīvu mācīšanos un Bajesa optimizāciju
- Spēja līdzsvarot matemātisko optimumu ar fizisko realitāti un drošību, modelim nosakot fizioloģiskas un drošības robežas.
Eksperimentēšana bioinženierijā ir dārga: šūnu kultūra aizņem nedēļas, reaģents maksā tūkstošiem mārciņu, fermentora darbība aizņem dienas. Tātad "kāds eksperiments man jādara?" Jautājums ir vismaz "kāds ir rezultāts?" ir tikpat svarīgs kā jautājums. Eksperimentu plānošana (DoE — metode, kā sistemātiski plānot, kuras parametru kombinācijas sniegs visvairāk informācijas ar vismazāko eksperimentu skaitu) pārvērš aklu izmēģinājumu un kļūdu sistemātiskā meklēšanā. AI paātrina šo plānošanu un lēmumu “kurš eksperiments nākamais” katrā nākamajā solī; bet jūs esat tas, kurš zina eksperimenta fizisko realitāti un drošību.
Šajā vienībā jūs redzēsiet DoE pamatloģiku, aktīvās mācīšanās (soli pa solim optimizācija, iesakot eksperimentu, no kura modelis mācīsies visvairāk) un Bajesa optimizācijas (varbūtības metode, kas atrod labāko procesa iestatījumu ar nelielu eksperimentu skaitu) pieejas un to, kā droši izmantot AI šajā plānošanā.
Kāpēc nepietiek ar vienu mainīgo?
Klasiskā pieeja ir OFAT — viens faktors vienlaikus: mainiet temperatūru, pēc tam mainiet pH... Šīs metodes mānīgais trūkums ir tas, ka tai trūkst mijiedarbības (mijiedarbība — divi parametri kopā uzvedas savādāk nekā tad, ja tie ir atsevišķi). Varbūt augsta temperatūra ir laba tikai ar zemu pH līmeni. DoE tver mijiedarbību un samazina eksperimentu skaitu, izmantojot faktoru dizainus, kas maina parametrus kopā un līdzsvaro.
Padoms. Kad jūs sakāt AI “Es vēlos optimizēt 5 parametrus”, vispirms palūdziet tam ieteikt daļēju faktoru (dizains, kas izvēlas visinformatīvāko parametru apakškopu) vai reakcijas virsmas dizainu (dizains, kas kartē optimālo reģionu), nevis pilnu faktoriālu. Tas varētu samazināt eksperimentu skaitu no 243 līdz 20-30.
Aktīvā mācīšanās: nākamais labākais eksperiments
Dažām problēmām jūs nevarat visu plānot iepriekš; Katra eksperimenta rezultāts maina nākamo labāko eksperimentu. Šeit tiek izmantota aktīvā mācīšanās: modelis aplūko pieejamos datus, iesaka eksperimentu ar vislielāko nenoteiktību vai lielāko paredzamo ieguvumu, jūs to darāt, modelis tiek atjaunināts. Šī cilpa ļauj atrast saldo vietu lielā parametru telpā (piemēram, tūkstošiem iespējamo apstākļu fermentam) ar ļoti maziem eksperimentiem. AI aprēķina šī cikla lēmumu “kas tālāk”; bet jūs apstiprināt, ka ieteikums ir fiziski iespējams un drošs.
Uzmanību! Optimizācijas modelis var liecināt par bīstamu vai neiespējamu stāvokli laboratorijā (piemēram, temperatūru, kas varētu nogalināt kultūru, sprādzienbīstamu šķīdinātāju attiecību). Modelis nezina fizioloģiskās un drošības robežas; Ierobežojiet katru ieteikumu līdz savām zināšanām par laboratoriju (nododiet to modelim kā ierobežojumu).
trīs mini futrāļi
1. gadījums — DoE samazināja eksperimentu skaitu. Fermentu ražošanas komanda optimizētu 5 parametrus (temperatūra, pH, sajaukšana, padeves ātrums, induktors). Pilns faktoriāls nozīmēja 243 eksperimentus. Frakcionētais faktoriālais dizains, ko piedāvāja YZ, samazināja skaitu līdz 32 eksperimentiem; iegūtā reakcijas virsma atrada optimālu un palielināja efektivitāti par 27%. Komanda iepriekš apstiprināja visus drošības nosacījumus.
2. gadījums — paātrināta aktīvā mācīšanās. Vienā šūnu kultūras barotnes optimizācijā bija vairāk nekā 4000 iespējamo kompozīciju. Aktīvais mācību cikls sasniedza optimālo līmeni, kad klasiskais skrīnings ilgst nedēļas 18 eksperimentālos posmos (kopā 90 kultūras). Bet divi modeļa ieteiktie nosacījumi bija fizioloģiski neiespējami un tika novērsti ar rokām.
3. gadījums — aktivizēta drošības robeža. Bioprocesa optimizācijā modelis ierosināja bīstamu spiedienu, lai palielinātu izšķīdušo skābekli. Inženieris modelim pievienoja reaktora spiediena ierobežojumu kā ierobežojumu; turpmākie ieteikumi palika drošā diapazonā. Fiziskā robeža pārsniedza matemātisko optimālo.
Četras kopējamas veidnes
1) DoE projektēšanas ieteikums:
Jūsu loma: eksperimentālā dizaina eksperts. Es vēlos optimizēt [N] parametrus: [parametri un to diapazoni]. Mans mērķis ir [raža/aktivitāte]. Iesakiet man piemērotu DoE dizainu (pilna/daļēja faktoriāla vai atbildes virsma), tabulējiet nepieciešamo eksperimentu skaitu un katru nosacījumu. Atzīmējiet fizioloģiski neiespējamas kombinācijas.
2) Aktīvā mācību cikla iestatīšana:
Jūsu loma: optimizācijas konsultants. Es vēlos iestatīt Bajesa optimizācijas cilpu. Izskaidrojiet man darbības: sākotnējā iesaiņošana, sargsuņa funkcija (iegūšana), atjaunināšana, apturēšanas kritēriji. Pastāstiet man, cik eksperimentu jūs piedāvāsit katrā kārtā un kā pievienot drošības ierobežojumus. Ieteikt Python bibliotēku.
3) Drošības ierobežojumu definīcija:
Maniem optimizācijas ieteikumiem nevajadzētu būt ĀRPUS šādām robežām: temperatūra [diapazons], pH [diapazons], spiediens [max], šķīdinātāja ātrums [maks.]. Neierosiniet nekādus eksperimentus, kas pārsniedz šos ierobežojumus. Ja ieteikums tuvojas robežai, brīdiniet mani un paskaidrojiet, kāpēc.
4) Rezultātu analīze un nākamais solis:
Es jums sniegšu DoE pirmās kārtas rezultātus (apstākļi + izmērītā atbilde). Pastāstiet man: (1) kuri parametri ir visefektīvākie, (2) vai pastāv mijiedarbība, (3) iesakiet nākamos 4 eksperimentus, lai tuvotos optimālajam. Pamatojiet katru ieteikumu ar datiem; neizdari secinājumus, kas nav datos.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Optimizējiet manu fermentāciju.
Nav parametru, nav diapazonu, nav ierobežojumu; AI sniedz vispārīgus un nepraktiskus ieteikumus.
Spēcīga uzvedne:
Jūsu loma: bioprocesu eksperimentu dizainers. Es vēlos optimizēt rekombinanto proteīnu ražošanu ar E. coli. Parametri un diapazoni: temperatūra 25-37°C, IPTG 0,1-1,0 mM, indukcija OD0,4-0,8, padeves ātrums [diapazons]. Mērķis: šķīstošo olbaltumvielu raža. Dodiet man daļēju faktoru dizaina tabulu ne vairāk kā 20 eksperimentiem. Atzīmējiet apstākļus, kas nogalinās šūnu. Drošības robeža: temperatūra virs 40°C AIZLIEGTA.
Atšķirība: skaidri parametri, diapazoni, mērķis, eksperimenta budžets un drošības ierobežojumi.
DoE un optimizācijas metodes
Metode
kad
Priekšrocība
robeža
OFAT
Vienkārši, viens faktors
viegls komentārs
Pietrūkst mijiedarbības
pilns faktoriāls
daži parametri
Visa mijiedarbība
izmēģinājuma sprādziens
Frakcionāls faktoriāls
Vairāku parametru likvidēšana
neliels eksperiments
Daļa mijiedarbības ir paslēpta
reakcijas virsma
Optimāla kartēšana
precīza regulēšana
nelinearitāte
aktīva mācīšanās
Liela telpa, dārgs eksperiments
vismaz eksperimentēt
Atkarīgs no modeļa kvalitātes
Izpētes telpas un izmantošanas līdzsvars
Optimizācijas pamatā ir spriedze: līdzsvars starp izpēti un izmantošanu — līdzsvars starp jaunu iespēju meklēšanu, izmēģinot nezināmu teritoriju, un efektivitātes samazināšanu, iegūstot zināmu labu teritoriju. Ja jūs mēģināt tikai "ap vislabāk zināmo punktu", jūs nekad neatradīsit daudz labāku optimālu tālāk (iestrēgsiet vietējā optimumā). Ja izpētīsit tikai nejauši, jūs nekad nevarēsit izspiest savu labo teritoriju un iztērēsit savu eksperimenta budžetu. Bajesa optimizācijas kontrolfunkcija (iegūšanas funkcija — noteikums, kas izvēlas, kur veikt nākamo eksperimentu, nosverot gan paredzamo pieaugumu, gan nenoteiktību) automātiski pārvalda šo līdzsvaru. AI var izveidot šo mehānismu, taču jūs izlemjat, "cik izpētes, cik izmantošanas kārtas" un eksperimenta budžeta ierobežojumu.
Padoms. Sākotnējās optimizācijas kārtās koncentrējieties uz izpēti (lieliem, izkliedētiem eksperimentiem); Kartē parametru telpu. Tuvojoties optimālajam, pārejiet pie ekspluatācijas (šauri, precizējoši eksperimenti). Veiciet šo pāreju pakāpeniski, skatoties uz rezultātiem, nevis vienā kārtā.
Biežas kļūdas
- Iestrēdzis OFAT un trūkst mijiedarbības. Parametriem jāmainās kopā.
- Nenodrošinot modelim drošības ierobežojumus. Modelis var norādīt uz bīstamiem vai neiespējamiem apstākļiem.
- Atkārtošanās un nejaušības izlaišana. Nepieciešams statistikas jaudas un partijas kontrolei.
- Optimizācijas pabeigšana vienā kārtā. Aktīvā mācīšanās ir iteratīva; atjaunina plānu katrā ceļojumā.
- Akli pielietojot modeļa ieteikumu. Fiziskā iespējamība un izmaksas ir jāpārbauda manuāli.
Rezumējot
Intelektuālā eksperimentālā konstrukcija samazina dārgus bioinženierijas eksperimentus līdz nelielam skaitam informatīvu mērījumu. DoE fiksē mijiedarbību un samazina eksperimentu skaitu; Aktīvā mācīšanās un Bajesa optimizācija soli pa solim atrod labāko vietu lielās telpās. AI aprēķina šo plānošanu un paātrina lēmuma “kas tālāk” pieņemšanu, taču jūs kā modelim ierobežojat fizioloģiskas robežas, drošību un iespējamību. Matemātiskais optimālais nevar pārspēt fizisko realitāti un drošību.
Lietojumprogrammas uzdevums
Izvēlieties optimizācijas problēmu ar 3–5 parametriem no jūsu interešu jomas (piemēram, barotne vai fermentu reakcija). Izveidojiet daļēju faktoru dizaina tabulu, izmantojot mākslīgā intelekta veidni “spēcīga uzvedne”. Pēc tam pārbaudiet katru tabulas nosacījumu par drošību un iespējamību: vai pastāv neiespējama vai bīstama kombinācija? Pievienojiet drošības ierobežojumu, atveidojiet dizainu un atzīmējiet atšķirību.
kontrolsaraksts
- [ ] Es izmantoju DoE dizainu (nevis OFAT), kas maina parametrus kopā.
- [ ] Modelim kā ierobežojumus norādīju fizioloģiskās un drošības robežas.
- [ ] Dizainā iekļāvu atkārtojumus un randomizāciju.
- [ ] Optimizāciju plānoju iteratīvi, nepabeidzu vienā kārtā.
- [ ] Es pārbaudīju modeļu ieteikumus par iespējamību un izmaksām.
- [ ] Katru rezultātu interpretāciju es attiecināju uz reāliem datiem, es nepieņēmu viltotus rezultātus.