AI-mallit ja alustat
Tieteelliset löydöt nopeutuvat: tekoäly suorittaa itsenäisiä kokeita

Keskeiset kohdatBacterAI teki jopa 10 000 autonomista koetta päivässä mikrobien aineenvaihdunnan…
Näytä lisää
- BacterAI teki jopa 10 000 autonomista koetta päivässä mikrobien aineenvaihdunnan selvittämiseksi.
- Tekoäly tuotti oman harjoitusdatansa testaamalla aminohappoyhdistelmiä ja tarkentamalla ennusteitaan päivittäin.
- BacterAI:n kaltaiset kohdennetut tekoälysovellukset voisivat nopeuttaa jokapäiväistä tutkimusta monilla tieteenaloilla.
Michiganin yliopiston professorin johtaman tutkimusryhmän suunnittelema BacterAI- tekoälyalusta on osoittanut kykynsä suorittaa valtava määrä autonomisia tieteellisiä kokeita – jopa 10 000 koetta päivässä. Tämä tekoälyn läpimurtosovellus voi avata tien nopeaan kehitykseen eri aloilla, kuten lääketieteessä, maataloudessa ja ympäristötieteessä.
Tutkimuksen tulokset julkaistiin Nature Microbiology -julkaisussa.
Mikrobien aineenvaihdunnan selvittäminen BacterAI:n avulla
BacterAI kehitettiin kartoittamaan kahden suun terveyteen liittyvän mikrobin aineenvaihduntaa ilman mitään aloitustietoja. Bakteerien monimutkaiset aineenvaihduntaprosessit perustuvat tietyn yhdistelmän hyödyntämiseen elämälle välttämättömistä 20 aminohaposta. Tutkimuksen tavoitteena oli määrittää tarkat aminohapot, joita tarvitaan suun terveyttä edistävien mikrobien kasvun edistämiseksi.
“Emme tiedä lähes mitään useimmista terveyteemme vaikuttavista bakteereista. Ymmärtäminen, miten bakteerit kasvavat, on ensimmäinen askel kohti mikrobiomimme muokkaamista”, sanoi Paul Jensen, Michiganin yliopiston biolääketieteellisen tekniikan apulaisprofessori, joka oli Illinoisin yliopistossa, kun hanke alkoi.
Haasteellinen tehtävä yksinkertaistettu tekoälyllä
Mikrobien suosimien aminohappojen yhdistelmän selvittäminen on haasteellinen tehtävä yli miljoonan mahdollisen yhdistelmän vuoksi. BacterAI kuitenkin onnistui määrittämään aminohappovaatimukset sekä Streptococcus gordonii – että Streptococcus sanguinis -bakteerien kasvun edistämiseksi.
BacterAI:n lähestymistapa käsitti satojen aminohappoyhdistelmien testaamisen päivittäin, tarkentamalla fokusta ja muuttamalla yhdistelmiä joka päivä edellisen päivän kokeiden tulosten perusteella. Yhdeksän päivän kuluessa se saavutti 90 prosentin tarkkuuden ennusteissaan.
Tekoäly oppii yrityksen ja erehdyksen kautta
Toisin kuin perinteiset menetelmät, jotka käyttävät merkittyjä tietojoukkoja tekoälymallien kouluttamiseen, BacterAI luo oman tietojoukkonsa iteratiivisen prosessin kautta, jossa se suorittaa kokeita, analysoi tuloksia ja ennustaa tulevia tuloksia. Tämä menetelmä mahdollisti sille bakteerien ravinnonsaannin sääntöjen selvittämisen alle 4 000 kokeen avulla.
“Halusimme, että tekoälyagenttimme ottaa askeleita ja kompastuu, keksii omat ideansa ja tekee virheitä. Joka päivä se tulee hieman paremmaksi, hieman älymmäksi”, sanoi Jensen korostamalla yhtäläisyyksiä BacterAI:n oppimisprosessin ja lapsen välillä.
Tekoälyn tulevaisuus tutkimuksessa
Koska noin 90 prosenttia bakteereista ei ole tutkittu lainkaan tai niitä on tutkittu vain vähän, perinteisten menetelmien vaatima aika ja resurssit muodostavat merkittävän esteen. BacterAI:n kyky suorittaa automaattisia kokeita voi kiihdyttää löytöjä. Tutkimusryhmä onnistui suorittamaan jopa 10 000 koetta päivässä.
BacterAI:n mahdolliset sovellukset ulottuvat kuitenkin mikrobiologian ulkopuolelle. Tutkijat missä tahansa alalla voivat asettaa kysymyksiä tekoälylle ratkaistaviksi tämänkaltaisen yritys ja erehdys -prosessin avulla.
“Viimeaikaisen mainstream- tekoälyn räjähdysmäisen kasvun myötä monilla ihmisillä on epävarmuutta siitä, mitä se tulee tuomaan tulevaisuudessa, sekä positiivista että negatiivista”, sanoi Adam Dama, Jensenin laboratorion entinen insinööri ja tutkimuksen pääkirjoittaja. “Mutta minulle on selvää, että tekoälyn kohdennetut sovellukset, kuten meidän projektimme, kiihdyttävät jokapäiväistä tutkimusta.”












