Машинное обучение в синтетической биологии: алгоритмы могут проектировать клетки за вас
Синтетическая биология позволяет создавать биологические системы под заданные требования, например, микроорганизмы для производства лекарств. Однако традиционные методы биоинженерии медленны и основаны на методе проб и ошибок.
Учёные из Национальной лаборатории им. Лоуренса в Беркли (Berkeley Lab) разработали новый инструмент, адаптирующий алгоритмы машинного обучения для нужд синтетической биологии. Теперь, имея ограниченный набор обучающих данных, алгоритмы могут предсказывать, как изменения в ДНК или биохимии клетки повлияют на её поведение, и давать рекомендации для следующего цикла инженерии.
"Возможности революционны. Сейчас биоинженерия — очень медленный процесс. Создание противомалярийного препарата артемизинина заняло 150 человеко-лет. Если вы сможете создавать новые клетки по спецификации за пару недель или месяцев вместо лет, вы действительно революционизируете биоинженерию", — сказал руководитель исследования Гектор Гарсия Мартин.
Команда разработала и продемонстрировала алгоритм под названием Automated Recommendation Tool (ART), описанный в двух статьях в журнале Nature Communications.
В работе "Combining mechanistic and machine learning models for predictive engineering and optimization of tryptophan metabolism" команда использовала ART для увеличения производства триптофана дрожжами Saccharomyces cerevisiae.
Для эксперимента были выбраны пять генов, представляющих в сумме почти 8000 потенциальных комбинаций биологических путей. Экспериментальные данные по 250 из этих путей (3% от всех возможных) были использованы для обучения алгоритма. ART научился, какой выход (производство аминокислоты) соответствует какому входу (экспрессии генов).
Затем, используя статистический вывод, инструмент смог экстраполировать, как каждая из оставшихся 7000+ комбинаций повлияет на производство триптофана. Рекомендованный дизайн увеличил производство триптофана на 106% по сравнению с современным референсным штаммом и на 17% по сравнению с лучшими конструкциями, использованными для обучения модели.
"Мы сделали это для пяти генов, но мы верим, что это можно сделать для полного генома. Алгоритмы могут автоматически выполнять рутинные части исследования, пока вы посвящаете своё время более творческим частям научного поиска", — сказал Гарсия Мартин.
Необходимо больше данных
Исследователи были удивлены тем, как мало данных потребовалось для получения результатов. Однако для реализации потенциала синтетической биологии алгоритмам потребуется обучение на гораздо больших объёмах данных.
"Мы предоставили методологию и демонстрацию на небольшом наборе данных; потенциальные приложения могут быть революционными при наличии больших объёмов данных", — добавила Тияна Радивоевич.
Потенциал и будущее
Синтетическая биология может оказать значительное влияние на пищевую, медицинскую, сельскохозяйственную, энергетическую отрасли и материаловедение. По различным рыночным отчётам, глобальный рынок синтетической биологии оценивается примерно в 4 миллиарда долларов и, по прогнозам, вырастет до более 20 миллиардов долларов к 2025 году.
"Если бы мы могли автоматизировать метаболическую инженерию, мы могли бы стремиться к более смелым целям: проектировать микробиомы для терапевтических целей или биоремедиации. Комбинация машинного обучения и CRISPR-редактирования генов позволяет гораздо эффективнее достигать желаемых спецификаций", — заключил Гарсия Мартин.