Добици:
- Способност смањења броја експеримената заједничким мењањем параметара и бележењем интеракција са дизајном експеримената (ДоЕ)
- Способност успостављања циклуса проналажења најбоље тачке у великом простору параметара са неколико експеримената кроз активно учење и Бајесову оптимизацију
- Способност балансирања математичког оптимума са физичком реалношћу и безбедношћу дајући физиолошке и безбедносне границе као ограничења моделу
Експериментисање у биоинжењерингу је скупо: ћелијска култура траје недељама, реагенс кошта хиљаде фунти, ферментор ради данима. Дакле, "који експеримент треба да урадим?" Питање је барем "шта је резултат?" важно је колико и питање. Дизајн експеримената (ДоЕ — метод систематског планирања које комбинације параметара ће дати највише информација са најмање експеримената) претвара слепу методу покушаја и грешака у систематску претрагу. АИ убрзава ово планирање и одлуку „који је следећи експеримент“ у сваком следећем кораку; али ви сте тај који познаје физичку реалност и сигурност експеримента.
У овој јединици видећете основну логику ДоЕ, активно учење (оптимизација корак по корак сугерисањем експеримента из којег ће модел највише научити) и Бајесову оптимизацију (вероватни метод који проналази најбоље подешавање процеса са малим бројем експеримената) приступе, и како безбедно користити АИ у овом планирању.
Зашто једна варијабла није довољна?
Класичан приступ је ОФАТ — један по један фактор: промените температуру, па промените пХ... Подмукла мана ове методе је што пропушта интеракције (интеракција — два параметра се понашају другачије него када су сами). Можда је висока температура добра само при ниском пХ. ДоЕ хвата интеракције и смањује број експеримената коришћењем факторских дизајна који заједно варирају и балансирају параметре.
Савет: Када АИ кажете „Желим да оптимизујем 5 параметара“, прво га замолите да предложи фракциони факторијел (дизајн који бира најинформативнији подскуп параметара) или дизајн површине одговора (дизајн који мапира оптимални регион) уместо пун факторијел. Ово би могло смањити број експеримената са 243 на 20-30.
Активно учење: следећи најбољи експеримент
За неке проблеме не можете све планирати унапред; Исход сваког експеримента мења следећи најбољи експеримент. Овде долази у обзир активно учење: модел гледа доступне податке, предлаже експеримент са највећом несигурношћу или највећим очекиваним добитком, ви то радите, модел се ажурира. Ова петља омогућава проналажење слатке тачке у великом простору параметара (хиљаде могућих услова за ензим, на пример) са врло мало експериментисања. АИ израчунава одлуку овог циклуса „шта следеће“; али потврђујете да је предлог физички изводљив и безбедан.
Опрез: Оптимизациони модел може да сугерише опасно или немогуће стање у лабораторији (нпр. температура која би убила културу, експлозивни однос растварача). Модел не познаје физиолошке и безбедносне границе; Ограничите сваки предлог на своје лабораторијско знање (дајте га моделу као ограничење).
три мини кофера
Случај 1 — ДоЕ је смањио број експеримената. Тим за производњу ензима би оптимизовао 5 параметара (температура, пХ, мешање, брзина напајања, индуктор). Пун факторијел је значио 243 експеримента. Фракциони факторски дизајн који је предложио ИЗ смањио је број на 32 експеримента; резултујућа површина одговора је оптимална и повећала је ефикасност за 27%. Тим је унапред одобрио сваки услов за безбедност.
Случај 2 — Активно учење убрзано. Било је више од 4000 могућих композиција у једној оптимизацији медијума ћелијске културе. Циклус активног учења достигао је максимум где би класични скрининг трајао недељама у 18 експерименталних рунди (укупно 90 култура). Али два услова која је предложио модел била су физиолошки немогућа и елиминисана су ручно.
Случај 3 — Сигурносна граница је активирана. У оптимизацији биопроцеса, модел је предложио опасан притисак за повећање раствореног кисеоника. Инжењер је моделу додао границу притиска реактора као ограничење; накнадне препоруке су остале у безбедном домету. Физичка граница је надмашила математички оптимум.
Четири шаблона за копирање
1) Препорука за дизајн ДоЕ:
Ваша улога: стручњак за експериментални дизајн. Желим да оптимизујем [Н] параметара: [параметара и њихових опсега]. Мој циљ је [принос/активност]. Предложите ми одговарајући дизајн ДоЕ (пуна/разломачна факторијална или површина одговора), табеларно наведите број потребних експеримената и сваки услов. Означите физиолошки немогуће комбинације.
2) Подешавање циклуса активног учења:
Ваша улога: консултант за оптимизацију. Желим да поставим Бајесову петљу оптимизације. Објасните ми кораке: почетно умотавање, функција чувања (аквизиција), ажурирање, критеријуми заустављања. Реците ми колико експеримената ћете предложити у свакој рунди и како да додате безбедносна ограничења. Предложите Питхон библиотеку.
3) Дефиниција безбедносног ограничења:
Моји предлози за оптимизацију не би требало да излазе ВАН следећих граница: температура [опсег], пХ [опсег], притисак [мак], брзина растварача [мак]. Не предлажите експерименте који прелазе ове границе. Ако се предлог приближава граници, упозори ме и објасни зашто.
4) Анализа резултата и следећи корак:
Даћу вам резултате првог круга ДоЕ (услови + измерени одговор). Реците ми: (1) који су параметри најефикаснији, (2) да ли постоји интеракција, (3) предложите следећа 4 експеримента да се приближе оптималном. Сваки предлог образложите подацима; не доносити закључке којих нема у подацима.
Слаби промпт / Јаки промпт
Слабо обавештење:
Оптимизујте моју ферментацију.
Без параметара, без опсега, без ограничења; АИ даје опште и непрактичне препоруке.
Снажан упит:
Ваша улога: дизајнер експеримента за биопроцес. Желим да оптимизујем производњу рекомбинантног протеина са Е. цоли. Параметри и опсези: температура 25-37°Ц, ИПТГ 0,1-1,0 мМ, индукција ОД0,4-0,8, брзина протока [опсег]. Циљ: принос растворљивих протеина. Дајте ми табелу фракционог факторског дизајна за не више од 20 експеримената. Означите услове који ће убити ћелију. Безбедносна граница: температура изнад 40°Ц ЗАБРАЊЕНА.
Разлика: јасни параметри, опсези, циљ, буџет експеримента и безбедносно ограничење.
ДоЕ и методе оптимизације
Метод
када
Предност
граница
ОФАТ
Једноставно, један фактор
лак коментар
Недостаје интеракција
пун факторијал
неколико параметара
Све интеракције
пробна експлозија
Фрацтионал фацториал
Елиминација са више параметара
мали експеримент
Нека интеракција је скривена
површина одговора
Оптимално мапирање
фино подешавање
нелинеарност
активно учење
Велики простор, скуп експеримент
најмање експеримент
Зависи од квалитета модела
Биланс истражног простора и експлоатације
Постоји тензија у срцу оптимизације: равнотежа између истраживања и експлоатације — равнотежа између тражења нових могућности испробавањем непознате територије и стискања ефикасности ископавањем познате добре територије. Ако покушате само "око најпознатије тачке", никада нећете наћи много бољи оптимум даље (заглавите се у локалном оптимуму). Ако истражујете само насумично, никада нећете моћи да стегнете добру територију коју имате и потрошићете буџет за експеримент. Сентинел функција Бајесове оптимизације (функција аквизиције — правило које бира где ће се покренути следећи експеримент мерењем очекиваног добитка и неизвесности) аутоматски управља овим балансом. АИ може успоставити овај механизам, али ви одлучујете „колико рунди истраживања, колико рунди експлоатације“ и ограничење буџета за експеримент.
Савет: Фокусирајте се на истраживање (велики, распршени експерименти) у раним круговима оптимизације; Мапирајте простор параметара. Како се приближавате оптималном, пређите на експлоатацију (уски експерименти финог подешавања). Ову транзицију направите постепено, гледајући резултате, а не у једном кругу.
Уобичајене грешке
- Заглављивање на ОФАТ-у и недостајуће интеракције. Параметри се морају мењати заједно.
- Без давања безбедносног ограничења моделу. Модел може предложити опасне или немогуће услове.
- Прескакање понављања и рандомизације. Потребан за статистичку снагу и контролу серије.
- Завршетак оптимизације у једном кругу. Активно учење је итеративно; ажурира план сваке турнеје.
- Слепо примењујући препоруку модела. Физичка изводљивост и цена морају се проверити ручно.
Укратко
Интелигентни експериментални дизајн смањује скупе биоинжењерске експерименте на мали број информативних мерења. ДоЕ хвата интеракције и смањује број експеримената; Активно учење и Бајесова оптимизација проналазе најбољу тачку корак по корак у великим просторима. АИ израчунава ово планирање и убрзава одлуку „шта следеће“, али ви дајете физиолошка ограничења, сигурност и изводљивост као ограничења моделу. Математички оптимум не може надмашити физичку реалност и сигурност.
Задатак апликације
Изаберите проблем оптимизације са 3-5 параметара из области вашег интересовања (нпр. медијум културе или реакција ензима). Креирајте табелу фракционог факторског дизајна са шаблоном „јака промпт“ за АИ. Затим проверите сваки услов у табели за сигурност и изводљивост: да ли постоји немогућа или опасна комбинација? Додајте безбедносно ограничење, репродукујте дизајн и забележите разлику.
контролна листа
- [ ] Користио сам ДоЕ дизајн (не ОФАТ) који заједно мења параметре.
- [ ] Дао сам физиолошка и безбедносна ограничења моделу као ограничења.
- [ ] Уградио сам понављање и насумично бирање у дизајн.
- [ ] Планирао сам оптимизацију итеративно, нисам је завршио у једном кругу.
- [ ] Проверио сам предлоге модела за изводљивост и цену.
- [ ] Сваку интерпретацију резултата приписао сам стварним подацима, нисам прихватио лажне резултате.