O aprendizado de máquina está transformando todas as áreas da ciência biológica e da indústria, mas normalmente é limitado a alguns usuários e cenários. Uma equipe de pesquisadores do Instituto Max Planck de Microbiologia Terrestre liderada por Tobias Erb desenvolveu o METIS, um sistema modular de software para otimização de sistemas biológicos. A equipe de pesquisa demonstra sua usabilidade e versatilidade com uma variedade de exemplos biológicos.
Embora a engenharia de sistemas biológicos seja verdadeiramente indispensável em biotecnologia e biologia sintética, hoje o aprendizado de máquina tornou-se útil em todos os campos da biologia. Porém, é óbvio que a aplicação e aperfeiçoamento de algoritmos, procedimentos computacionais feitos de listas de instruções, não são facilmente acessíveis. Eles não são apenas limitados por habilidades de programação, mas também por dados rotulados experimentalmente insuficientes. Na interseção de trabalhos computacionais e experimentais, há uma necessidade de abordagens eficientes para preencher a lacuna entre os algoritmos de aprendizado de máquina e suas aplicações em sistemas biológicos.
Agora, uma equipe do Instituto Max Planck de Microbiologia Terrestre, liderada por Tobias Erb, conseguiu democratizar o aprendizado de máquina. Em sua recente publicação na “Nature Communications”, a equipe apresentou, juntamente com parceiros de colaboração do Instituto INRAe em Paris, sua ferramenta METIS. O aplicativo é construído em uma arquitetura tão versátil e modular que não requer habilidades computacionais e pode ser aplicado em diferentes sistemas biológicos e com diferentes equipamentos de laboratório. METIS é uma abreviação de Ensaios experimentais guiados por aprendizado de máquina para melhoria de sistemas e também recebeu o nome da antiga deusa da sabedoria e dos ofícios Μῆτις, lit. “conselho sábio”.
Menos dados necessários
O aprendizado ativo, também conhecido como design experimental ideal, usa algoritmos de aprendizado de máquina para sugerir interativamente o próximo conjunto de experimentos depois de ser treinado em resultados anteriores, uma abordagem valiosa para cientistas de laboratório úmido, especialmente ao trabalhar com um número limitado de dados rotulados experimentalmente . Mas um dos principais gargalos são os dados rotulados experimentalmente gerados no laboratório que nem sempre são altos o suficiente para treinar modelos de aprendizado de máquina. “Embora o aprendizado ativo já reduza a necessidade de dados experimentais, fomos além e examinamos vários algoritmos de aprendizado de máquina. De maneira encorajadora, encontramos um modelo ainda menos dependente de dados”, disse Amir Pandi, um dos principais autores do estudo.
Para mostrar a versatilidade do METIS, a equipe o usou para uma variedade de aplicações, incluindo otimização da produção de proteínas, construções genéticas, engenharia combinatória da atividade enzimática e um complexo CO2 ciclo metabólico de fixação denominado CETCH. Para o ciclo CETCH, eles exploraram um espaço combinatório de 1025 condições com apenas 1.000 condições experimentais e relataram o CO mais eficiente2 cascata de fixação descrita até o momento.
Otimização de sistemas biológicos
Na aplicação, o estudo fornece novas ferramentas para democratizar e avançar os esforços atuais em biotecnologia, biologia sintética, design de circuitos genéticos e engenharia metabólica. “O METIS permite que os pesquisadores otimizem seus sistemas biológicos já descobertos ou sintetizados”, diz Christoph Diehl, co-autor principal do estudo. “Mas também é um guia combinatório para entender interações complexas e otimização baseada em hipóteses. E o que é provavelmente o benefício mais empolgante: pode ser um sistema muito útil para prototipar sistemas novos na natureza.”
O METIS é uma ferramenta modular executada como notebooks Google Colab Python e pode ser usada por meio de uma cópia pessoal do notebook em um navegador da Web, sem instalação, registro ou necessidade de poder computacional local. Os materiais fornecidos neste trabalho podem orientar os usuários a personalizar o METIS para suas aplicações.