Biyomühendislikte Yapay Zeka Yaklaşımı
Fotoğraf : Zak Costello (sol) ve Hector Garcia tarafından geliştirilen yeni bir yaklaşım, yapay zeka ile öğrenmenin hızını ve analitik gücünü biyomühendisliğe getiriyor. (Marilyn Chung a Berkeley Lab)
Lawrence Berkeley Ulusal Laboratuvarı (Berkeley Lab) Enerji Bölümü’nden bilim adamları, biyoyakıt üreten mikropların tasarımını önemli ölçüde arttırmak için yapay zeka ile öğrenmeyi (makine öğrenimi) kullanmanın bir yolunu geliştirdiler.
Bilim adamlarının bilgisayar algoritması, biyoyakıt üreten mikrobiyal metabolik yoldaki protein ve metabolitler hakkında elde edilen bol miktardaki veri ile başlar, ancak bu metabolik yolun aslında nasıl çalıştığı hakkında herhangi bir bilgi yoktur. Bu yüzden, bu algoritma, metabolik yolun nasıl davranacağını öğrenmek için daha önce yapılmış olan deneylerden elde edilen verileri kullanılır. Bilim adamları, E.coli bakteri hücrelerine eklenen metabolik yollar tarafından üretilen biyoyakıt miktarını otomatik olarak tahmin edebilmek amacıyla bu tekniği kullandılar.
Bu yeni yaklaşım, metabolik yolun davranışını öngörmek için kullanılan mevcut yöntemden çok daha hızlıdır ve antibiyotiğe dirençli enfeksiyonlarla savaşan ilaçlar ve kuraklığa karşı koyan mahsuller gibi ticari olarak geçerli (uygulanabilir) biyoyakıtlara ek olarak pek çok uygulama için biyomoleküllerin gelişimini hızlandırma konusunda da gelecek vaat etmektedir.
Bu araştırma, 29 Mayıs’ta npj System Biology and Applications dergisinde yayımlandı.
Biyolojide, metabolik yol, hücre içerisinde belirli bir bileşiği üreten bir dizi kimyasal tepkime olarak tanımlanmaktadır. Araştırmacılar, tıp, enerji, üretim ve tarımı geliştirmek için doğada varolanlardan yararlanmak amacıyla metabolik yolları yeniden tasarlamak ve bu yolları bir mikroptan diğer bir mikroba aktarmak için yeni yöntemler araştırmaktadır. Ve bilim adamları, gen düzenleme aracı CRISPR-Cas 9 gibi yeni ve yapay biyoloji imkanları sayesinde bu araştırmayı daha önce hiç olmadığı kadar hassas bir şekilde yürütebilirler.
DOE Agile BioFoundary’de grup lideri ve DOE’nin Bilim Ofisi tarafından finanse edilen ve Berkeley Lab tarafından yönetilen DOE Biyoenerji Araştırma Merkezi olan Joint BioEnergy Enstitüsü’nde (JBEI) Kantitatif Metabolik Modelleme direktörü olan Hector Garcia Martin,’’ Geliştirme sürecinde önemli bir darboğaz var.’’ diyerek açıklama yaptı. Araştırma, Garcia Costello (ve ayrıca Agile BioFoundry and JBEI) tarafından Garcia Martin yönetiminde yürütüldü. Her iki araştırmacı da Berkeley Lab’ın Biyolojik Sistemler ve Mühendislik Bölümü’ndedir.
Garcia Martin, ‘’ Yeniden tasarlandığı zaman metabolik bir yolun nasıl davranacağını öngörmek çok zordur. Sorunun tespit edilmesi, yaklaşık olarak zamanımızın yüzde 99’unu kapsıyor. Bu sebeple, üzerinde çalıştığımız bu yaklaşım, bu adımı önemli ölçüde kısaltabilir ve biyomühendislik çalışmalarına rehberlik etmenin yeni bir yolu olabilir ‘’ diyerek ekledi.
Metabolik yolların dinamiğini öngörmek için kullanılan mevcut yöntem, sistemdeki bileşenlerin zamanla nasıl değiştiğini açıklayan karmaşık diferansiyel denklem sistemlerine ihtiyaç duyar. Bu konunun uzmanları, birkaç ay içinde ‘kinetik modeller’ geliştirirler ancak elde edilen tahminler her zaman deneysel sonuçlar ile eşleşmez.
Bununla birlikte, yapay zeka, öngörüde bulunmak için bir bilgisayar algoritması geliştirmek amacıyla verileri kullanır. Bu algoritma, benzer sistemlerden elde edilen verileri analiz ederek sistemin davranışlarını öğrenir. Bu, bilim adamlarına, elde çalışılabilecek yeterli veri olduğu sürece metabolik yolun mekanizması yeterince iyi anlaşılmış olmasa bile, bir metabolik yolun fonksiyonunu hızlı bir şekilde tahmin etme imkanı tanır.
Bilim adamları, geliştirdikleri tekniği, E.coli hücrelerine ekledikleri metabolik yollar üzerinde test ettiler. Bu metabolik yollardan bir tanesi, limonen adı verilen biyolojik temelli jet yakıtı üretmek için tasarlanırken, bir diğer metabolik yol ise, benzinin yerine geçecek olan izopentanol üretimi için tasarlanmaktadır. JBEI’da daha önce yapılmış olan deneyler, metabolik yolların farklı versiyonlarının çeşitli E.coli türlerinde nasıl çalıştığına ilişkin pek çok veri sunmuştur. Bu türlerden bazıları, az miktarda limonen veya izopentanol üreten bir metabolik yola sahipken, diğer türler ise yüksek miktarda biyoyakıt üreten versiyonlara sahiptir.
Araştırmacılar, bu verileri kendi algoritmalarına yüklediler. Daha sonra yapay zeka işi devraldı: Bu algoritma, metabolik yollardaki metabolitlerin konsantrasyonunun zamanla nasıl değiştiğini ve bu metabolik yolun ne kadar biyoyakıt üreteceğini kendi kendine öğretti. Yapay zeka, bu dinamikleri, küçük ve büyük miktarlarda biyoyakıt üreten ve deneysel olarak bilinen iki metabolik yoldan elde edilen verileri analiz ederek öğrendi.
Algoritma, bu bilgiyi, daha önce hiç tanımadığı, bilinmeyen metabolik yollar dizisinin üçüncüsünün davranışını tahmin etmek için kullandı. Bu algoritma, ortalama miktarda yakıt üreten metabolik yollar da dahil olmak üzere bilinmeyen metabolik yollar için biyoyakıt üretim profillerini doğru bir şekilde tahmin etti. Buna ek olarak, yapay zeka öğreniminden türetilmiş tahmin, kinetik modellerden daha iyi bir performans göstermiştir.
Garcia Martin, ‘’ Ne kadar fazla veri eklersek, o kadar doğru tahminler elde ederiz.’’ diyerek açıklamada bulundu. Ayrıca Garcia Martin, ‘’ Bu yaklaşım, yeni biyomoleküllerin tasarlanması için geçen zamanı hızlandırabilir. Bugün on yıl süren ve uzman bir ekip gerektiren bir proje, belki de bir gün bir yaz stajyer öğrencisi tarafından halledilebilir.’’ diyerek açıklamasına ekledi.
Kaynak : sciencedaily.com
