Mga nadagdag:
- Kakayahang bawasan ang bilang ng mga eksperimento sa pamamagitan ng pagbabago ng mga parameter nang magkasama at pagkuha ng mga pakikipag-ugnayan sa disenyo ng mga eksperimento (DoE)
- Kakayahang magtatag ng isang cycle ng paghahanap ng pinakamagandang punto sa isang malaking parameter space na may kaunting mga eksperimento sa pamamagitan ng aktibong pag-aaral at Bayesian optimization
- Kakayahang balansehin ang pinakamainam na matematika sa pisikal na katotohanan at kaligtasan sa pamamagitan ng pagbibigay ng mga limitasyon sa pisyolohikal at kaligtasan bilang mga hadlang sa modelo
Ang eksperimento sa bioengineering ay mahal: ang isang cell culture ay tumatagal ng mga linggo, ang isang reagent ay nagkakahalaga ng libu-libong pounds, ang isang fermentor run ay tumatagal ng mga araw. Kaya "anong eksperimento ang dapat kong gawin?" Ang tanong ay hindi bababa sa "ano ang resulta?" ay kasinghalaga ng tanong. Disenyo ng mga Eksperimento (DoE — isang paraan ng sistematikong pagpaplano kung aling mga kumbinasyon ng mga parameter ang magbubunga ng pinakamaraming impormasyon na may pinakamakaunting mga eksperimento) na ginagawang isang sistematikong paghahanap ang bulag na pagsubok-at-error. Pinapabilis ng AI ang pagpaplanong ito at "aling eksperimento ang susunod" na desisyon sa bawat kasunod na hakbang; ngunit ikaw ang nakakaalam ng pisikal na katotohanan at kaligtasan ng eksperimento.
Sa unit na ito, makikita mo ang pangunahing lohika ng DoE, aktibong pag-aaral (step-by-step na pag-optimize sa pamamagitan ng pagmumungkahi ng eksperimento kung saan mas matututo ang modelo) at Bayesian optimization (probabilistic method na nakakahanap ng pinakamahusay na setting ng isang proseso na may maliit na bilang ng mga eksperimento), at kung paano gamitin ang AI nang ligtas sa pagpaplanong ito.
Bakit hindi sapat ang isang variable?
Ang klasikong diskarte ay OFAT — isang kadahilanan sa isang pagkakataon: baguhin ang temperatura, pagkatapos ay baguhin ang pH... Ang mapanlinlang na kapintasan ng pamamaraang ito ay nakakaligtaan nito ang mga pakikipag-ugnayan (pakikipag-ugnayan — dalawang parameter ang kumikilos nang magkaiba kaysa kapag sila ay nag-iisa). Siguro ang mataas na temperatura ay mabuti lamang sa mababang pH. Kinukuha ng DoE ang mga pakikipag-ugnayan at binabawasan ang bilang ng mga eksperimento sa pamamagitan ng paggamit ng mga factorial na disenyo na nag-iiba-iba ng mga parameter nang magkasama at balanse.
Tip: Kapag sinabi mo sa AI "Gusto kong mag-optimize ng 5 parameter," hilingin muna dito na magmungkahi ng fractional factorial (isang disenyo na pumipili ng pinaka-kaalaman na subset ng mga parameter) o isang response surface na disenyo (isang disenyo na nagmamapa ng pinakamainam na rehiyon) sa halip na isang buong factorial. Maaari nitong bawasan ang bilang ng mga eksperimento mula 243 hanggang 20-30.
Aktibong pag-aaral: ang susunod na pinakamahusay na eksperimento
Para sa ilang mga problema, hindi mo maaaring planuhin ang lahat nang maaga; Binabago ng resulta ng bawat eksperimento ang susunod na pinakamahusay na eksperimento. Dito pumapasok ang aktibong pag-aaral: tinitingnan ng modelo ang magagamit na data, iminumungkahi ang eksperimento na may pinakamataas na kawalan ng katiyakan o pinakamalaking inaasahang pakinabang, gagawin mo ito, ang mga update sa modelo. Binibigyang-daan ng loop na ito ang paghahanap ng sweet spot sa isang malaking espasyo ng parameter (halimbawa, libu-libong posibleng kundisyon para sa isang enzyme) na may napakakaunting eksperimento. Kinakalkula ng AI ang "ano ang susunod" na desisyon ng siklong ito; ngunit kinukumpirma mo na ang mungkahi ay pisikal na magagawa at ligtas.
Babala: Ang isang modelo ng pag-optimize ay maaaring magmungkahi ng isang mapanganib o imposibleng kondisyon sa laboratoryo (hal., isang temperatura na papatay sa kultura, isang explosive solvent ratio). Hindi alam ng modelo ang mga limitasyon ng physiological at kaligtasan; Limitahan ang bawat mungkahi sa iyong sariling kaalaman sa laboratoryo (ibigay ito sa modelo bilang isang hadlang).
tatlong mini case
Kaso 1 — Binawasan ng DoE ang bilang ng mga eksperimento. Ang pangkat ng paggawa ng enzyme ay mag-o-optimize ng 5 parameter (temperatura, pH, paghahalo, rate ng feed, inducer). Ang buong factorial ay nangangahulugang 243 eksperimento. Ang fractional factorial na disenyo na iminungkahi ng YZ ay binawasan ang bilang sa 32 na mga eksperimento; ang resultang ibabaw ng tugon ay natagpuan ang pinakamabuting kalagayan at tumaas na kahusayan ng 27%. Paunang inaprubahan ng team ang bawat kundisyon para sa kaligtasan.
Kaso 2 — Pinabilis ang aktibong pag-aaral. Mayroong higit sa 4,000 posibleng komposisyon sa isang cell culture medium optimization. Ang aktibong ikot ng pag-aaral ay umabot sa pinakamabuting kalagayan kung saan ang klasikal na screening ay tatagal ng mga linggo sa 18 pang-eksperimentong pag-ikot (90 kultura sa kabuuan). Ngunit ang dalawang kundisyon na iminungkahi ng modelo ay imposible sa physiologically at inalis sa pamamagitan ng kamay.
Kaso 3 — Na-activate ang hangganan ng seguridad. Sa isang bioprocess optimization, ang modelo ay nagmungkahi ng isang mapanganib na presyon upang madagdagan ang dissolved oxygen. Idinagdag ng inhinyero ang limitasyon ng presyon ng reaktor sa modelo bilang isang hadlang; ang mga kasunod na rekomendasyon ay nanatili sa loob ng ligtas na hanay. Ang pisikal na limitasyon ay trumped ang mathematical pinakamabuting kalagayan.
Apat na maaaring kopyahin na mga template
1) Rekomendasyon sa disenyo ng DoE:
Ang iyong tungkulin: eksperto sa pang-eksperimentong disenyo. Gusto kong i-optimize ang [N] mga parameter: [mga parameter at ang kanilang mga hanay]. Ang target ko ay [yield/activity]. Magmungkahi sa akin ng angkop na disenyo ng DoE (full/fractional factorial o response surface), i-tabulate ang bilang ng mga eksperimento na kinakailangan at bawat kundisyon. Markahan ang mga kumbinasyon na imposibleng pisyolohikal.
2) Aktibong pag-setup ng ikot ng pag-aaral:
Ang iyong tungkulin: consultant sa pag-optimize. Gusto kong mag-set up ng Bayesian optimization loop. Ipaliwanag sa akin ang mga hakbang: paunang pagbabalot, pag-andar ng asong tagapagbantay (pagkuha), pag-update, paghinto ng pamantayan. Sabihin sa akin kung gaano karaming mga eksperimento ang iyong imumungkahi sa bawat pag-ikot at kung paano magdagdag ng mga hadlang sa seguridad. Magmungkahi ng Python library.
3) Depinisyon ng hadlang sa seguridad:
Ang aking mga mungkahi sa pag-optimize ay hindi dapat LABAS sa mga sumusunod na limitasyon: temperatura [range], pH [range], pressure [max], solvent rate [max]. Huwag magmungkahi ng anumang mga eksperimento na lumampas sa mga limitasyong ito. Kung ang isang mungkahi ay papalapit na sa limitasyon, balaan ako at ipaliwanag kung bakit.
4) Pagsusuri ng resulta at susunod na hakbang:
Ibibigay ko sa iyo ang mga resulta ng unang round ng DoE (conditions + measured response). Sabihin sa akin: (1) kung aling mga parameter ang pinaka-epektibo, (2) kung mayroong pakikipag-ugnayan, (3) imungkahi ang susunod na 4 na eksperimento upang lapitan ang pinakamabuting kalagayan. I-justify ang bawat mungkahi gamit ang data; huwag gumawa ng mga konklusyon na wala sa datos.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
I-optimize ang aking pagbuburo.
Walang mga parameter, walang mga saklaw, walang mga hadlang; Nagbibigay ang AI ng pangkalahatan at hindi praktikal na mga rekomendasyon.
Napakahusay na prompt:
Ang iyong tungkulin: taga-disenyo ng eksperimento ng bioprocess. Gusto kong i-optimize ang produksyon ng recombinantprotein na may E. coli. Mga parameter at saklaw: temperatura 25-37°C, IPTG 0.1-1.0 mM, induction OD0.4-0.8, feed rate [range]. Layunin: natutunaw na ani ng protina. Bigyan mo ako ng fractional factorial design table para sa hindi hihigit sa 20 eksperimento. Markahan ang mga kondisyon na papatayin ang cell. Limitasyon sa kaligtasan: temperaturang higit sa 40°C BAWAL.
Pagkakaiba: malinaw na mga parameter, saklaw, target, badyet ng eksperimento at hadlang sa kaligtasan.
DoE at mga paraan ng pag-optimize
Pamamaraan
kailan
Advantage
hangganan
OFAT
Simple, isang kadahilanan
madaling komento
Nakakamiss ang interaksyon
buong factorial
ilang mga parameter
Lahat ng pakikipag-ugnayan
pagsubok na pagsabog
Fractional factorial
Pag-aalis ng maraming parameter
maliit na eksperimento
Nakatago ang ilang pakikipag-ugnayan
ibabaw ng tugon
Pinakamainam na pagmamapa
fine tuning
nonlinearity
aktibong pag-aaral
Malaking espasyo, mamahaling eksperimento
hindi bababa sa eksperimento
Depende sa kalidad ng modelo
Balanse ng exploration space at exploitation
May tensyon sa puso ng pag-optimize: ang balanse sa pagitan ng paggalugad at pagsasamantala—ang balanse sa pagitan ng paghahanap ng mga bagong pagkakataon sa pamamagitan ng pagsubok sa hindi kilalang teritoryo at pagpiga sa kahusayan sa pamamagitan ng pagmimina ng kilalang magandang teritoryo. Kung susubukan mo lang "sa paligid ng pinakakilalang punto" hindi ka na makakahanap ng mas mahusay na pinakamabuting kalagayan sa malayo (matigil sa lokal na pinakamabuting kalagayan). Kung random ka lang mag-explore, hindi mo na mapipiga ang magandang teritoryo na mayroon ka at mauubos ang iyong badyet sa eksperimento. Awtomatikong namamahala ng balanseng ito ang sentinel function ng Bayesian optimization (ang acquisition function — ang panuntunang pumipili kung saan tatakbo ang susunod na eksperimento sa pamamagitan ng pagtimbang ng parehong inaasahang pakinabang at kawalan ng katiyakan). Maaaring itatag ng AI ang mekanismong ito, ngunit magpapasya ka "kung gaano karaming mga round ng paggalugad, ilang round ng pagsasamantala" at ang limitasyon ng iyong badyet sa eksperimento.
Tip: Tumutok sa paggalugad (malalaki, dispersed na mga eksperimento) sa mga unang yugto ng pag-optimize; I-map ang espasyo ng parameter. Habang papalapit ka sa pinakamainam, magpatuloy sa pagsasamantala (makitid, pinong-pinong mga eksperimento). Gawin ang paglipat na ito nang paunti-unti, tinitingnan ang mga resulta, hindi sa isang pag-ikot.
Mga karaniwang pagkakamali
- Natigil sa OFAT at nawawalang mga pakikipag-ugnayan. Ang mga parameter ay dapat magbago nang magkasama.
- Hindi pagbibigay ng hadlang sa seguridad sa modelo. Ang modelo ay maaaring magmungkahi ng mapanganib o imposibleng mga kondisyon.
- Nilaktawan ang pag-uulit at randomization. Kinakailangan para sa statistical power at batch control.
- Tinatapos ang pag-optimize sa isang round. Ang aktibong pag-aaral ay umuulit; ina-update ang plano sa bawat paglilibot.
- Blindly paglalapat ng rekomendasyon ng modelo. Ang pisikal na pagiging posible at gastos ay dapat suriin nang manu-mano.
Sa buod
Binabawasan ng matalinong pang-eksperimentong disenyo ang mga mamahaling eksperimento sa bioengineering sa isang maliit na bilang ng mga pagsukat na nagbibigay-kaalaman. Kinukuha ng DoE ang mga pakikipag-ugnayan at binabawasan ang bilang ng mga eksperimento; Ang aktibong pag-aaral at ang Bayesian optimization ay nakakahanap ng pinakamagandang punto sa bawat hakbang sa malalaking espasyo. Kinakalkula ng AI ang pagpaplanong ito at pinapabilis ang desisyong "ano ang susunod", ngunit binibigyan mo ng mga limitasyon sa pisyolohikal, kaligtasan, at pagiging posible bilang mga hadlang sa modelo. Ang pinakamabuting kalagayan ng matematika ay hindi maaaring makalampas sa pisikal na katotohanan at kaligtasan.
Gawain ng aplikasyon
Pumili ng problema sa pag-optimize na may 3-5 parameter mula sa iyong larangan ng interes (hal. isang medium ng kultura o isang reaksyon ng enzyme). Gumawa ng fractional factorial design table na may template na "strong prompt" para sa AI. Pagkatapos ay suriin ang bawat kundisyon sa talahanayan para sa kaligtasan at pagiging posible: mayroon bang imposible o mapanganib na kumbinasyon? Magdagdag ng hadlang sa kaligtasan, i-reproduce ang disenyo, at tandaan ang pagkakaiba.
checklist
- [ ] Gumamit ako ng disenyo ng DoE (hindi OFAT) na sabay na nagbabago sa mga parameter.
- [ ] Nagbigay ako ng mga limitasyon sa pisyolohikal at pangkaligtasan sa modelo bilang mga hadlang.
- [ ] Isinama ko ang pag-uulit at randomization sa disenyo.
- [ ] Paulit-ulit kong pinlano ang pag-optimize, hindi ko ito natapos sa isang round.
- [ ] Sinuri ko ang mga mungkahi ng modelo para sa pagiging posible at gastos.
- [ ] Iniugnay ko ang bawat interpretasyon ng resulta sa totoong data, hindi ako tumanggap ng mga pekeng resulta.