El aprendizaje automático está transformando todas las áreas de la ciencia biológica y la industria, pero generalmente se limita a unos pocos usuarios y escenarios. Un equipo de investigadores del Instituto Max Planck de Microbiología Terrestre dirigido por Tobias Erb ha desarrollado METIS, un sistema de software modular para optimizar sistemas biológicos. El equipo de investigación demuestra su usabilidad y versatilidad con una variedad de ejemplos biológicos.
Aunque la ingeniería de sistemas biológicos es verdaderamente indispensable en biotecnología y biología sintética, hoy en día el aprendizaje automático se ha vuelto útil en todos los campos de la biología. Sin embargo, es obvio que la aplicación y mejora de algoritmos, procedimientos computacionales hechos de listas de instrucciones, no es de fácil acceso. No solo están limitados por las habilidades de programación, sino que a menudo también son insuficientes los datos etiquetados experimentalmente. En la intersección de los trabajos computacionales y experimentales, existe la necesidad de enfoques eficientes para cerrar la brecha entre los algoritmos de aprendizaje automático y sus aplicaciones para sistemas biológicos.
Ahora, un equipo del Instituto Max Planck de Microbiología Terrestre dirigido por Tobias Erb ha logrado democratizar el aprendizaje automático. En su reciente publicación en «Nature Communications», el equipo presentó junto con socios colaboradores del Instituto INRAe en París, su herramienta METIS. La aplicación está construida en una arquitectura tan versátil y modular que no requiere habilidades computacionales y se puede aplicar en diferentes sistemas biológicos y con diferentes equipos de laboratorio. METIS es la abreviatura de Ensayos experimentales guiados por aprendizaje automático para la mejora de sistemas y también lleva el nombre de la antigua diosa de la sabiduría y la artesanía Μῆτις, lit. «sabio consejo».
Menos datos requeridos
El aprendizaje activo, también conocido como diseño experimental óptimo, utiliza algoritmos de aprendizaje automático para sugerir de forma interactiva el siguiente conjunto de experimentos después de recibir capacitación sobre resultados anteriores, un enfoque valioso para los científicos de laboratorio húmedo, especialmente cuando se trabaja con una cantidad limitada de datos etiquetados experimentalmente. . Pero uno de los principales cuellos de botella son los datos etiquetados experimentalmente generados en el laboratorio que no siempre son lo suficientemente altos como para entrenar modelos de aprendizaje automático. «Si bien el aprendizaje activo ya reduce la necesidad de datos experimentales, fuimos más allá y examinamos varios algoritmos de aprendizaje automático. De manera alentadora, encontramos un modelo que depende aún menos de los datos», dice Amir Pandi, uno de los autores principales del estudio.
Para mostrar la versatilidad de METIS, el equipo lo utilizó para una variedad de aplicaciones, incluida la optimización de la producción de proteínas, construcciones genéticas, ingeniería combinatoria de la actividad enzimática y un complejo CO2 ciclo metabólico de fijación denominado CETCH. Para el ciclo CETCH, exploraron un espacio combinatorio de 1025 condiciones con solo 1000 condiciones experimentales e informaron el CO más eficiente2 cascada de fijación descrita hasta la fecha.
Optimización de sistemas biológicos
En la aplicación, el estudio proporciona herramientas novedosas para democratizar y promover los esfuerzos actuales en biotecnología, biología sintética, diseño de circuitos genéticos e ingeniería metabólica. «METIS permite a los investigadores optimizar sus sistemas biológicos ya descubiertos o sintetizados», dice Christoph Diehl, coautor principal del estudio. «Pero también es una guía combinatoria para comprender las interacciones complejas y la optimización basada en hipótesis. Y lo que probablemente sea el beneficio más emocionante: puede ser un sistema muy útil para crear prototipos de sistemas nuevos en la naturaleza».
METIS es una herramienta modular que se ejecuta como cuadernos Python de Google Colab y se puede utilizar a través de una copia personal del cuaderno en un navegador web, sin necesidad de instalación, registro o potencia informática local. Los materiales proporcionados en este trabajo pueden guiar a los usuarios a personalizar METIS para sus aplicaciones.
Fuente de la historia:
Materiales proporcionado por Max-Planck-Gesellschaft. Nota: el contenido se puede editar por estilo y longitud.
