Добивки:
- Способност да се намали бројот на експерименти со менување на параметрите заедно и снимање на интеракции со дизајнот на експериментите (DoE)
- Способност да се воспостави циклус на пронаоѓање на најдобрата точка во голем простор со параметри со неколку експерименти преку активно учење и бајесова оптимизација
- Способност да се балансира математичката оптимална со физичката реалност и безбедноста со давање физиолошки и безбедносни граници како ограничувања на моделот
Експериментирањето во биоинженерството е скапо: клеточната култура трае со недели, реагенсот чини илјадници фунти, ферменторот работи со денови. Значи "како експеримент треба да направам?" Прашањето е барем „кој е резултатот? е исто толку важно како и прашањето. Дизајн на експерименти (DoE — метод за систематско планирање кои комбинации на параметри ќе дадат најмногу информации со најмалку експерименти) ги претвора слепите обиди и грешки во систематско пребарување. Вештачката интелигенција ја забрзува оваа одлука за планирање и „кој експеримент следен“ на секој следен чекор; но вие сте тој што ја знае физичката реалност и безбедноста на експериментот.
Во оваа единица, ќе ја видите основната логика на пристапите DoE, активното учење (чекор-по-чекор оптимизација со сугерирање на експериментот од кој моделот најмногу ќе научи) и баезијанската оптимизација (веројатен метод што го наоѓа најдоброто поставување на процес со мал број експерименти) и како безбедно да се користи вештачката интелигенција во ова планирање.
Зошто една променлива не е доволна?
Класичниот пристап е OFAT — еден фактор во исто време: сменете ја температурата, а потоа менувајте ја pH вредноста... Подмолната мана на овој метод е што ги пропушта интеракциите (интеракција - два параметри се однесуваат поинаку заедно отколку кога се сами). Можеби високата температура е добра само при ниска pH вредност. DoE ги доловува интеракциите и го намалува бројот на експерименти со користење на факторски дизајни што ги менуваат параметрите заедно и избалансирано.
Совет: Кога ќе му кажете на вештачката интелигенција „Сакам да оптимизирам 5 параметри“, прво побарајте од неа да предложи фракционен фактор (дизајн што избира најинформативна подмножество на параметри) или дизајн на површината за одговор (дизајн што го мапира оптималниот регион) наместо целосен фактор. Ова би можело да го намали бројот на експерименти од 243 на 20-30.
Активно учење: следниот најдобар експеримент
За некои проблеми, не можете да планирате сè однапред; Исходот од секој експеримент го менува следниот најдобар експеримент. Тука стапува во игра активното учење: моделот ги разгледува достапните податоци, го предлага експериментот со најголема несигурност или најголема очекувана добивка, вие го правите тоа, моделот се ажурира. Оваа јамка овозможува наоѓање на слатката точка во голем простор со параметри (илјадници можни услови за ензим, на пример) со многу малку експериментирање. ВИ ја пресметува одлуката „што понатаму“ на овој циклус; но потврдувате дека предлогот е физички изводлив и безбеден.
Внимание: Моделот за оптимизација може да сугерира опасна или невозможна состојба во лабораторијата (на пр., температура што би ја уништила културата, сооднос на експлозивни растворувачи). Моделот не ги познава физиолошките и безбедносните граници; Ограничете го секој предлог на вашето сопствено лабораториско знаење (дајте му го на моделот како ограничување).
три мини футроли
Случај 1 - DoE го намали бројот на експерименти. Тим за производство на ензими би оптимизирал 5 параметри (температура, pH, мешање, стапка на напојување, индуктор). Целосниот фактор значеше 243 експерименти. Дробниот факторски дизајн предложен од YZ го намали бројот на 32 експерименти; добиената површина на одговор најде оптимална и зголемена ефикасност за 27%. Тимот однапред ги одобри сите услови за безбедност.
Случај 2 — Активното учење забрзано. Имаше повеќе од 4.000 можни композиции во оптимизација на еден медиум за клеточна култура. Циклусот на активно учење го достигна оптимумот каде што класичниот скрининг би траел со недели во 18 експериментални кругови (вкупно 90 култури). Но, два услови предложени од моделот беа физиолошки невозможни и беа елиминирани со рака.
Случај 3 — Активирана е безбедносната граница. Во оптимизацијата на биопроцесот, моделот предложи опасен притисок за зголемување на растворениот кислород. Инженерот ја додаде границата на притисокот на реакторот на моделот како ограничување; следните препораки останаа во рамките на безбедниот опсег. Физичката граница го надмина математичкиот оптимум.
Четири шаблони за копирање
1) Препорака за дизајн на DoE:
Вашата улога: експерт за експериментален дизајн. Сакам да ги оптимизирам [N] параметрите: [параметрите и нивните опсези]. Мојата цел е [принос/активност]. Предложете ми соодветен дизајн на DoE (целосна/фракционална факторска површина или површина), табеларизирајте го бројот на потребни експерименти и секој услов. Означете физиолошки невозможни комбинации.
2) Поставување активен циклус на учење:
Вашата улога: консултант за оптимизација. Сакам да поставам јамка за оптимизација на Bayesian. Објасни ми ги чекорите: иницијално завиткување, функција на чувар (аквизиција), ажурирање, критериуми за стопирање. Кажете ми колку експерименти ќе предложите во секој круг и како да додадам безбедносни ограничувања. Предложете библиотека на Python.
3) Дефиниција на безбедносни ограничувања:
Моите предлози за оптимизација не треба да излегуваат НАДВОР од следните граници: температура [опсег], pH [опсег], притисок [max], стапка на растворувач [max]. Не предлагајте никакви експерименти што ги надминуваат овие граници. Ако некој предлог се приближува до лимитот, предупреди ме и објасни зошто.
4) Анализа на резултатите и следен чекор:
Ќе ви ги дадам резултатите од првиот круг на DoE (услови + измерен одговор). Кажи ми: (1) кои параметри се најефективни, (2) дали има интеракција, (3) предложи ги следните 4 експерименти да се приближат до оптимумот. Секоја сугестија оправдајте ја со податоци; не донесувајте заклучоци што ги нема во податоците.
Слаб промпт / Силен промпт
Слаба навестување:
Оптимизирај ја мојата ферментација.
Без параметри, без опсези, без ограничувања; ВИ дава општи и непрактични препораки.
Моќен потсетник:
Вашата улога: дизајнер на експерименти со биопроцеси. Сакам да го оптимизирам производството на рекомбинантен протеин со E. coli. Параметри и опсези: температура 25-37°C, IPTG 0,1-1,0 mM, индукција OD0,4-0,8, стапка на напојување [опсег]. Цел: принос на растворливи протеини. Дајте ми табела со фракционо факторско дизајнирање за не повеќе од 20 експерименти. Обележете ги условите што ќе ја убијат клетката. Безбедносно ограничување: ЗАБРАНЕТО температура над 40°C.
Разлика: јасни параметри, опсег, цел, буџет за експеримент и безбедносно ограничување.
DoE и методи за оптимизација
Метод
кога
Предност
граница
ДЕБЕЛНИ
Едноставно, еден фактор
лесен коментар
Ја промаши интеракцијата
целосен фактор
неколку параметри
Цела интеракција
тест експлозија
Фракционен фактор
Елиминација на повеќе параметри
мал експеримент
Некоја интеракција е скриена
површина на одговор
Оптимално мапирање
фино подесување
нелинеарност
активно учење
Голем простор, скап експеримент
најмалку експеримент
Зависи од квалитетот на моделот
Биланс на истражувачки простор и експлоатација
Постои тензија во срцето на оптимизацијата: рамнотежа помеѓу истражување и експлоатација - рамнотежа помеѓу барање нови можности со испробување на непозната територија и стегање на ефикасноста со ископување позната добра територија. Ако се обидете само „околу најпознатата точка“, никогаш нема да најдете многу подобар оптимум подалеку (заглавете се во локалниот оптимум). Ако истражувате само случајно, никогаш нема да можете да ја исцедите добрата територија што ја имате и ќе го потрошите вашиот буџет за експеримент. Сентинел функцијата на Бејзовата оптимизација (функција на стекнување - правило кое избира каде да се изврши следниот експеримент со мерење и на очекуваната добивка и на неизвесноста) автоматски управува со оваа рамнотежа. Вештачката интелигенција може да го воспостави овој механизам, но вие одлучувате „колку рунди на истражување, колку рунди на експлоатација“ и лимитот на вашиот буџет за експеримент.
Совет: Фокусирајте се на истражување (големи, дисперзирани експерименти) во раните кругови на оптимизација; Мапирајте го просторот на параметарот. Како што се приближувате до оптимумот, преминете на експлоатација (тесни експерименти со дотерување). Направете ја оваа транзиција постепено, гледајќи ги резултатите, а не во еден круг.
Вообичаени грешки
- Заглавување на OFAT и недостаток на интеракции. Параметрите мора да се менуваат заедно.
- Не давајќи му на моделот безбедносно ограничување. Моделот може да сугерира опасни или невозможни услови.
- Прескокнување на повторување и рандомизација. Потребно е за статистичка моќност и контрола на сериите.
- Завршување на оптимизацијата во еден круг. Активното учење е итеративно; го ажурира планот секоја турнеја.
- Слепо применувајќи ја препораката на моделот. Физичката изводливост и трошоците мора да се проверат рачно.
Сумирано
Интелигентниот експериментален дизајн ги намалува скапите биоинженерски експерименти на мал број информативни мерења. DoE ги доловува интеракциите и го намалува бројот на експерименти; Активното учење и бајесовата оптимизација ја наоѓаат најдобрата точка по чекор на големи простори. Вештачката интелигенција го пресметува ова планирање и ја забрзува одлуката „што понатаму“, но вие му давате физиолошки ограничувања, безбедност и изводливост како ограничувања на моделот. Математичкиот оптимум не може да ја надмине физичката реалност и безбедноста.
Задача за апликација
Изберете проблем за оптимизација со 3-5 параметри од вашето поле на интерес (на пр. медиум за култура или ензимска реакција). Направете фракционална табела за дизајн со факториел со шаблонот „силно барање“ за вештачка интелигенција. Потоа проверете ја секоја состојба во табелата за безбедност и изводливост: дали постои невозможна или опасна комбинација? Додадете безбедносно ограничување, репродуцирајте го дизајнот и забележете ја разликата.
листа за проверка
- [ ] Користев дизајн DoE (не OFAT) кој заедно ги менува параметрите.
- [ ] Дадов физиолошки и безбедносни ограничувања на моделот како ограничувања.
- [ ] Вградив повторување и рандомизација во дизајнот.
- [ ] Ја планирав оптимизацијата итеративно, не ја завршив во еден круг.
- [ ] Ги проверив предлозите за модели за изводливост и цена.
- [ ] Секое толкување на резултатот го припишував на вистински податоци, не прифаќав лажни резултати.