Modely a platformy AI
Urychlování vědeckých objevů: AI provádí autonomní experimenty

Klíčové bodyBacterAI prováděl až 10 000 autonomních experimentů denně, aby dekódoval mikrobiální…
Zobrazit více
- BacterAI prováděl až 10 000 autonomních experimentů denně, aby dekódoval mikrobiální metabolismus.
- AI si sama generovala trénovací data testováním kombinací aminokyselin a každodenním zpřesňováním predikcí.
- Cílené aplikace AI, jako je BacterAI, by mohly zrychlit každodenní výzkum v mnoha vědeckých oborech.
Platforma umělé inteligence nazvaná BacterAI, vytvořená výzkumným týmem vedeným profesorem na Michiganské univerzitě, prokázala schopnost provádět ohromné množství autonomních vědeckých experimentů – až 10 000 denně. Tato průlomová aplikace AI může být cestou k rychlým pokrokům v různých oblastech, včetně medicíny, zemědělství a environmentální vědy.
Výsledky výzkumu byly zveřejněny v Nature Microbiology.
Rozluštění metabolismu mikroorganismů pomocí BacterAI
BacterAI byl vyvinut pro mapování metabolismu dvou mikrobů spojených se zdravím úst, bez počátečních informací. Komplexní metabolické procesy bakterií zahrnují spotřebu specifické kombinace 20 aminokyselin nezbytných pro život. Cílem výzkumu bylo určit přesné aminokyseliny potřebné pro růst prospěšných ústních mikrobů.
“Nevíme téměř nic o většině bakterií, které ovlivňují naše zdraví. Porozumění tomu, jak bakterie rostou, je prvním krokem k přestavbě našeho mikrobiomu,” řekl Paul Jensen, odborný asistent (assistant professor) v oboru biomedicínského inženýrství na University of Michigan, který byl na University of Illinois, když projekt začal.
Obtížný úkol zjednodušen pomocí AI
Rozluštění preferované kombinace aminokyselin pro bakterie je obtížný úkol kvůli více než milionu možných kombinací. Nicméně, BacterAI úspěšně určil aminokyselinové požadavky pro růst obou Streptococcus gordonii a Streptococcus sanguinis.
Přístup BacterAI zahrnoval testování stovek kombinací aminokyselin denně, zpřesňování jeho zaměření a měnění kombinací každý den na základě výsledků experimentů z předchozího dne. Za pouhých devět dní dosáhl 90% přesnosti ve svých předpovědích.
AI učení prostřednictvím pokusů a omylů
Na rozdíl od tradičních metod, které používají označené datové sady pro výuku modelů strojového učení, BacterAI generuje vlastní datovou sadu prostřednictvím iterativního procesu provádění experimentů, analýzy výsledků a předpovědi budoucích výsledků. Tato metoda mu umožnila rozluštit pravidla pro krmení bakterií s méně než 4 000 experimenty.
“Chtěli jsme, aby náš AI agent činil kroky a padal, aby přišel s vlastními nápady a dělal chyby. Každý den je o trochu lepší a o trochu chytřejší,” řekl Jensen, zdůrazňující paralely mezi učením BacterAI a dítětem.
Budoucnost AI ve výzkumu
Vzhledem k tomu, že bylo provedeno málo výzkumu nebo vůbec žádný výzkum na přibližně 90 % bakterií, konvenční metody představují významnou bariéru ve smyslu času a zdrojů požadovaných. Schopnost BacterAI provádět automatizované experimenty by mohla dramaticky urychlit objevy. Za jeden den tým dokázal provést až 10 000 experimentů.
Potenciální aplikace však BacterAI sahají za hranice mikrobiologie. Výzkumníci v jakékoli oblasti mohou klást otázky jako hádanky pro AI, aby je vyřešila prostřednictvím tohoto procesu pokusů a omylů.
“S nedávným výbuchem mainstreamové AI za poslední několik měsíců, mnoho lidí je nejistých, co to přinese do budoucna, pozitivního i negativního,” řekl Adam Dama, bývalý inženýr v Jensen Lab a hlavní autor studie. “Ale pro mě je jasné, že zaměřené aplikace AI, jako je náš projekt, urychlí každodenní výzkum.”












