合成生物学的“明智建议（METIS）”

时间：2022-07-26 10:14:22 来源：网络整理

机器学习正在改变生物科学和工业的所有领域，但通常仅限于少数用户和场景。由Tobias Erb领导的马克斯普朗克陆地微生物研究所的研究团队开发了METIS，这是一个模块化的软件系统，用于优化生物系统。研究团队通过各种生物实例证明了它的可用性和多功能性。

虽然生物系统工程在生物技术和合成生物学中是真正不可或缺的，但今天机器学习已经在生物学的所有领域中发挥了作用。然而，很明显，算法的应用和改进，由指令列表组成的计算程序，是不容易获得的。它们不仅受到编程技能的限制，而且通常也没有足够的实验标记数据。在计算和实验工作的交汇处，需要有效的方法来弥合机器学习算法和它们在生物系统中的应用之间的差距。

现在，由Tobias Erb领导的马克斯·普朗克陆地微生物研究所的一个团队已经成功地实现了机器学习的民主化。在他们最近发表在《Nature Communications》杂志上的文章中，该团队与来自巴黎INRAe研究所的合作伙伴一起展示了他们的工具METIS。该应用程序构建在这样一个通用和模块化的架构中，它不需要计算技能，可以应用于不同的生物系统和不同的实验室设备。METIS简称为“机器学习指导的系统改进实验试验”(Experimental Trials for Improvement of Systems)，缩写灵感来自古代智慧和工艺之神，wise counsel。

较少的数据要求

主动学习，也被称为最佳实验设计，使用机器学习算法交互式地建议在之前的结果训练后的下一组实验，这是一种宝贵的方法，特别是在处理有限数量的实验标记数据时。但主要的瓶颈之一是，在实验室中生成的实验标记数据并不总是足够高，以训练机器学习模型。“虽然主动学习已经减少了对实验数据的需求，但我们进一步研究了各种机器学习算法。令人鼓舞的是，我们发现了一个更不依赖数据的模型，”该研究的主要作者之一阿米尔·潘迪(Amir pandi)说。

为了展示METIS的多功能性，研究团队将其用于多种应用，包括蛋白质生产的优化、基因构建、酶活性的组合工程，以及名为CETCH的复杂CO2固定代谢循环。对于CETCH循环，他们在只有1000种实验条件下探索了1025种条件的组合空间，并报道了迄今为止描述的最有效的CO2固定级联。

优化生物系统

在应用上，该研究提供了新的工具，以普及和推进目前在生物技术、合成生物学、遗传电路设计和代谢工程方面的努力。“METIS允许研究人员优化他们已经发现或合成的生物系统，”该研究的共同主要作者Christoph Diehl说。但它也是理解复杂互动和假设驱动优化的组合指南。最令人兴奋的好处可能是:它可以是一个非常有用的系统，为新到自然的系统原型。”

METIS是一个模块化工具，可以作为谷歌Colab python笔记本运行，可以通过在web浏览器上的个人笔记本副本使用，无需安装、注册或本地计算能力。本工作提供的材料可以指导用户根据其应用程序定制METIS。

A versatile active learning workflow for optimization of genetic and metabolic networks.

郑重声明：文章仅代表原作者观点，不代表本站立场；如有侵权、违规，可直接反馈本站，我们将会作修改或删除处理。