Accelererende videnskabelige opdagelser: AI udfører autonome eksperimenter

En kunstig intelligens-platform kaldet BacterAI, designed af et forskningsteam ledet af en professor ved University of Michigan, har vist sin evne til at udføre et overvældende antal autonome videnskabelige eksperimenter – op til 10.000 om dagen. Gennembruddet i anvendelsen af AI kan banke vejen for hurtige fremskridt i forskellige fag, herunder medicin, landbrug og miljøvidenskab.

Resultaterne af forskningen blev offentliggjort i Nature Microbiology.

At afkode mikrobiel metabolisme med BacterAI

BacterAI blev udviklet til at kortlægge metabolismen af to mikrober forbundet med mundhelse, uden nogen grundlæggende information at starte med. De komplekse metabolske processer i bakterier indebærer forbrug af en bestemt kombination af de 20 aminosyrer, der er nødvendige for liv. Målet med forskningen var at bestemme de præcise aminosyrer, der er nødvendige for væksten af gavnlige mundbakterier.

“Vi ved næsten ingenting om de fleste bakterier, der påvirker vores sundhed. At forstå, hvordan bakterier vokser, er det første skridt mod at genopbygge vores mikrobiom,” sagde Paul Jensen, U-M assistant professor of biomedical engineering, som var ved University of Illinois, da projektet startede.

En udfordrende opgave forenklet af AI

At afkode den foretrukne kombination af aminosyrer for bakterier er en overvældende opgave på grund af de over en million mulige kombinationer. Men BacterAI var i stand til at bestemme aminosyrekravene for væksten af både Streptococcus gordonii og Streptococcus sanguinis.

BacterAIs tilgang bestod i at teste hundredvis af kombinationer af aminosyrer om dagen, finjustere fokus og ændre kombinationer hver dag baseret på resultaterne fra den foregående dags eksperimenter. Inden for en periode på ni dage opnåede det 90% nøjagtighed i sine forudsigelser.

AI-læring gennem prøve og fejl

I modsætning til traditionelle metoder, der bruger mærkede datasæt til at træne maskinlæringsmodeller, genererer BacterAI sin egen datasæt gennem en iterativ proces med at udføre eksperimenter, analysere resultater og forudsige fremtidige resultater. Denne metode gjorde det muligt for det at afkode reglerne for at fodre bakterier med færre end 4.000 eksperimenter.

“Vi ville have, at vores AI-agent skulle tage skridt og falde, komme med sine egne ideer og begå fejl. Hver dag bliver det lidt bedre, lidt klogere,” sagde Jensen, der fremhævede parallellerne mellem BacterAIs læringsproces og et barn.

Fremtiden for AI i forskning

Da der er meget lidt eller ingen forskning, der er blevet udført på omkring 90% af bakterier, udgør traditionelle metoder en betydelig barriere i forhold til tid og ressourcer, der kræves. BacterAIs evne til at udføre automatiseret eksperimentering kunne dramatisk accelerere opdagelser. På en enkelt dag lykkedes det for holdet at køre op til 10.000 eksperimenter.

Men de potentielle anvendelser af BacterAI strækker sig ud over mikrobiologi. Forskere i enhver disciplin kan stille spørgsmål som puslespil for AI at løse gennem denne type prøve- og fejlproces.

“Med den seneste eksplosion af mainstream AI over de sidste måneder er mange mennesker usikre på, hvad det vil bringe i fremtiden, både positivt og negativt,” sagde Adam Dama, en tidligere ingeniør i Jensen Lab og hovedforfatter af studiet. “Men for mig er det meget klart, at fokuserede anvendelser af AI som vores projekt vil accelerere hverdagsforskning.”