Алгоритъм ще изгражда живи клетки

Ако сте опитвали вегетариански колбас с вкус на месо или сте използвали козметика със синтетичен колаген, то може да се каже, че в известен смисъл вече сте запознати със синтетичната биология. Нейното влияние се усеща в почти всички сектори: храни, медицина, земеделие, климат, енергетика и материали. Синтетичните биолози дефинират спецификации за биологични системи, които никога не са съществували в природата - например проектират микроби, които трябва да се борят с ракови забиолявания, след това ще ги "сглобяват" според тези спецификации. Традиционните методи за биоинженеринг обаче са бавни и трудоемки, тъй като основният подход при избора на правилните "строителни материали" са пробата и грешката.

На помощ идват технологиите за машинно обучение, адаптирани към нуждите на синтетичната биология. Така изследователите вече няма да трябва да прекарват години във внимателен анализ на това, за което е отговорна всяка клетка. По всичко личи, че дори при ограничен набор от данни за обучение, предложените алгоритми ще могат да предвиждат как промените в ДНК или биохимията ще влияят на поведението на клетката и ще дават препоръки за следващия инженерен цикъл, оценявайки вероятността за постигане на крайната цел.

Възможностите наистина изглеждат обещаващи. Например за създаване на антималарийното лекарство артемизин са били необходими 150 човекогодини, а новите технологии обещават да създадат нови клетки за броени седмици.

Група изследователи от Националната лаборатория Лорънс Бъркли в САЩ е разработила алгоритъм, наречен Automated Recommendation Tool (Инструмент за автоматизирано препоръчване). Той отчита характеристиките на синтетичната биология: малки набори от данни за обучение, както и необходимостта от количествено определяне на несигурности и рекурсивни цикли.

Алгоритъмът вече е изполван за метаболитно инженерство и увеличаване на производството на триптофан, аминокиселина с широк спектър от приложения. За експериментите са избрани пет гена, представляващи общо близо 8000 възможни комбинации от биологични пътища. След това изследователите са получили експериментални данни за 250 от тях, тоест само 3% от всички възможни комбинации. Тези данни са използвани за обучение на алгоритъма.

Препоръчаната от него опция е позволила двойно увеличение на производството на триптофан - в сравнение със сегашния еталон, при това в сравнение с най-добрите опции, използвани за обучение на модела.

По този начин е демонстрирано, че технологиите за изкуствен интелект могат ефективно да извършват рутинни части от изследванията на синтетичната биология, освобождавайки време на учените за по-креативни процеси по време на научни изследвания.