Прибыль:
- Возможность сократить количество экспериментов за счет совместного изменения параметров и учета взаимодействия с дизайном экспериментов (DoE).
- Способность установить цикл поиска лучшей точки в большом пространстве параметров с помощью небольшого количества экспериментов посредством активного обучения и байесовской оптимизации.
- Способность сбалансировать математический оптимум с физической реальностью и безопасностью, задавая физиологические пределы и пределы безопасности в качестве ограничений модели.
Эксперименты в биоинженерии стоят дорого: культура клеток занимает недели, реагент стоит тысячи фунтов, работа ферментера занимает несколько дней. Итак, «какой эксперимент мне следует провести?» Вопрос как минимум "каков результат?" так же важно, как и вопрос. Планирование экспериментов (DoE — метод систематического планирования того, какие комбинации параметров дадут больше информации при наименьшем количестве экспериментов) превращает слепой метод проб и ошибок в систематический поиск. ИИ ускоряет это планирование и принятие решения «какой эксперимент будет следующим» на каждом последующем этапе; но именно вы знаете физическую реальность и безопасность эксперимента.
В этом модуле вы увидите базовую логику DoE, подходов активного обучения (пошаговая оптимизация путем предложения эксперимента, из которого модель получит больше всего знаний) и байесовской оптимизации (вероятностный метод, который находит наилучшие настройки процесса с небольшим количеством экспериментов), а также способы безопасного использования ИИ при этом планировании.
Почему одной переменной недостаточно?
Классический подход — OFAT — по одному фактору за раз: измените температуру, затем измените pH… Коварный недостаток этого метода в том, что он упускает взаимодействия (взаимодействие — два параметра ведут себя вместе иначе, чем когда они по отдельности). Возможно, высокая температура хороша только при низком pH. DoE фиксирует взаимодействия и сокращает количество экспериментов за счет использования факторных планов, которые одновременно варьируют параметры и сбалансированы.
Совет: Когда вы говорите ИИ: «Я хочу оптимизировать 5 параметров», сначала попросите его предложить дробный факториал (план, который выбирает наиболее информативное подмножество параметров) или дизайн поверхности отклика (проект, который отображает оптимальную область), а не полный факториал. Это могло бы сократить количество экспериментов с 243 до 20-30.
Активное обучение: следующий лучший эксперимент
В случае некоторых проблем невозможно спланировать все заранее; Результат каждого эксперимента меняет следующий лучший эксперимент. Здесь в игру вступает активное обучение: модель просматривает доступные данные, предлагает эксперимент с наибольшей неопределенностью или наибольшим ожидаемым выигрышем, вы делаете это, модель обновляется. Этот цикл позволяет найти золотую середину в большом пространстве параметров (например, тысячи возможных условий для фермента) с минимальными экспериментами. ИИ вычисляет решение «что дальше» в этом цикле; но вы подтверждаете, что предложение физически осуществимо и безопасно.
Внимание: модель оптимизации может предполагать опасные или невозможные условия в лаборатории (например, температура, которая может убить культуру, взрывоопасное соотношение растворителей). Модель не знает физиологических пределов и пределов безопасности; Ограничьте каждое предложение собственными лабораторными знаниями (придайте их модели в качестве ограничения).
три мини-кейса
Случай 1 — Министерство энергетики сократило количество экспериментов. Команда по производству ферментов оптимизирует 5 параметров (температура, pH, смешивание, скорость подачи, индуктор). Полный факториал означал 243 эксперимента. Дробный факторный план, предложенный YZ, сократил количество экспериментов до 32; Полученная поверхность отклика оказалась оптимальной и увеличила эффективность на 27%. Команда заранее утвердила все условия безопасности.
Случай 2 — Ускоренное активное обучение. В одной оптимизации среды для культивирования клеток было более 4000 возможных композиций. Цикл активного обучения достиг оптимума, когда классический скрининг длился неделями в 18 экспериментальных раундах (всего 90 культур). Но два условия, предложенные моделью, были физиологически невозможны и были устранены вручную.
Случай 3 — Активирована граница безопасности. При оптимизации биопроцесса модель предполагала опасное давление для увеличения растворенного кислорода. Инженер добавил в модель ограничение по давлению реактора; последующие рекомендации оставались в пределах безопасного диапазона. Физический предел превзошел математический оптимум.
Четыре копируемых шаблона
1) Рекомендации Министерства энергетики по проектированию:
Ваша роль: эксперт по экспериментальному дизайну. Я хочу оптимизировать [N] параметров: [параметры и их диапазоны]. Моя цель — [доходность/активность]. Предложите мне подходящий дизайн DoE (полный/дробный факториал или поверхность отклика), запишите в таблицу количество необходимых экспериментов и каждое условие. Отметьте физиологически невозможные комбинации.
2) Настройка цикла активного обучения:
Ваша роль: консультант по оптимизации. Я хочу настроить цикл байесовской оптимизации. Объясните мне шаги: первоначальная упаковка, сторожевая функция (получение данных), обновление, критерии остановки. Скажите мне, сколько экспериментов вы предложите в каждом раунде и как добавить ограничения безопасности. Предложите библиотеку Python.
3) Определение ограничения безопасности:
Мои предложения по оптимизации не должны выходить за следующие пределы: температура [диапазон], pH [диапазон], давление [макс], скорость растворителя [макс]. Не предлагайте никаких экспериментов, выходящих за эти пределы. Если предложение приближается к пределу, предупредите меня и объясните почему.
4) Анализ результатов и следующий шаг:
Я сообщу вам результаты первого раунда DoE (условия + измеренная реакция). Скажите мне: (1) какие параметры наиболее эффективны, (2) есть ли взаимодействие, (3) предложите следующие 4 эксперимента, чтобы приблизиться к оптимуму. Обоснуйте каждое предложение данными; не делайте выводов, которых нет в данных.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Оптимизируйте мою ферментацию.
Никаких параметров, никаких диапазонов, никаких ограничений; ИИ дает общие и непрактичные рекомендации.
Мощная подсказка:
Ваша роль: дизайнер экспериментов по биопроцессам. Я хочу оптимизировать производство рекомбинантных белков с помощью E. coli. Параметры и диапазоны: температура 25-37°С, ИПТГ 0,1-1,0 мМ, индукция OD0,4-0,8, скорость подачи [диапазон]. Цель: выход растворимого белка. Дайте мне таблицу дробного факторного плана не более чем для 20 экспериментов. Отметьте условия, при которых клетка погибнет. Предел безопасности: температура выше 40°C ЗАПРЕЩЕНА.
Отличие: четкие параметры, диапазоны, цель, бюджет эксперимента и ограничения безопасности.
DoE и методы оптимизации
Метод
когда
Преимущество
граница
ОФАТ
Просто, один фактор
простой комментарий
Пропускает взаимодействие
полный факториал
мало параметров
Все взаимодействие
испытательный взрыв
Дробный факториал
Многопараметрическое исключение
небольшой эксперимент
Некоторые взаимодействия скрыты
поверхность отклика
Оптимальное картографирование
тонкая настройка
нелинейность
активное обучение
Большое пространство, дорогой эксперимент
минимум эксперимента
Зависит от качества модели
Баланс исследования космоса и эксплуатации
В основе оптимизации лежит напряжение: баланс между разведкой и эксплуатацией — баланс между поиском новых возможностей путем освоения неизведанной территории и повышением эффективности путем разработки заведомо хорошей территории. Если вы попробуете только «вокруг самой известной точки», вы никогда не найдете гораздо лучшего оптимума дальше (застрянете в локальном оптимуме). Если вы исследуете только случайным образом, вы никогда не сможете захватить имеющуюся у вас хорошую территорию и израсходуете свой бюджет на эксперимент. Дозорная функция байесовской оптимизации (функция сбора — правило, которое выбирает, где проводить следующий эксперимент, взвешивая как ожидаемый выигрыш, так и неопределенность) автоматически управляет этим балансом. ИИ может установить этот механизм, но вы сами решаете, «сколько раундов исследования, сколько раундов эксплуатации» и предел вашего бюджета эксперимента.
Совет: сосредоточьтесь на исследованиях (крупных, рассредоточенных экспериментах) на ранних этапах оптимизации; Отобразите пространство параметров. По мере приближения к оптимуму переходите к эксплуатации (узким экспериментам по тонкой настройке). Делайте этот переход постепенно, глядя на результаты, а не за один раунд.
Распространенные ошибки
- Застревание в OFAT и отсутствие взаимодействий. Параметры должны меняться вместе.
- Отсутствие ограничения безопасности для модели. Модель может предполагать опасные или невозможные условия.
- Пропуск повторения и рандомизации. Требуется для статистической мощности и управления партиями.
- Завершение оптимизации за один раунд. Активное обучение является итеративным; обновляет план каждый тур.
- Слепо применяю рекомендации модели. Физическую осуществимость и стоимость необходимо проверять вручную.
В итоге
Разумный план эксперимента сводит дорогостоящие биоинженерные эксперименты к небольшому количеству информативных измерений. DoE фиксирует взаимодействия и сокращает количество экспериментов; Активное обучение и байесовская оптимизация шаг за шагом находят лучшую точку на больших пространствах. ИИ рассчитывает это планирование и ускоряет принятие решения «что дальше», но вы задаете физиологические пределы, безопасность и осуществимость в качестве ограничений модели. Математический оптимум не может превзойти физическую реальность и безопасность.
Задача приложения
Выберите задачу оптимизации с 3–5 параметрами из интересующей вас области (например, культуральная среда или ферментативная реакция). Создайте дробную таблицу расчета факториала с помощью шаблона «сильной подсказки» для ИИ. Затем проверьте каждое условие в таблице на безопасность и осуществимость: есть ли невозможная или опасная комбинация? Добавьте ограничение безопасности, воспроизведите проект и обратите внимание на разницу.
контрольный список
- [ ] Я использовал дизайн DoE (не OFAT), который изменяет параметры вместе.
- [ ] В качестве ограничений я указал физиологические пределы и пределы безопасности модели.
- [ ] Я включил в дизайн повторение и рандомизацию.
- [ ] Я планировал оптимизацию итеративно, не закончил ее за один раунд.
- [ ] Я проверил предложения по моделям на предмет осуществимости и стоимости.
- [ ] Я приписывал каждую интерпретацию результата реальным данным и не принимал поддельных результатов.