Versnelling van wetenschappelijke ontdekkingen: AI voert autonome experimenten uit

Een kunstmatige intelligentieplatform genaamd BacterAI, ontwikkeld door een onderzoeksteam onder leiding van een professor aan de Universiteit van Michigan, heeft zijn vermogen om een verbazingwekkend aantal autonome wetenschappelijke experimenten uit te voeren laten zien – tot wel 10.000 per dag. De doorbraaktoepassing van AI kan de weg vrijmaken voor snelle vooruitgang in verschillende gebieden, waaronder geneeskunde, landbouw en milieukunde.

De resultaten van het onderzoek werden gepubliceerd in Nature Microbiology.

Ontrafeling van microbiële metabolisme met BacterAI

BacterAI werd ontwikkeld om de metabolisme van twee micro-organismen die verband houden met mondzorg in kaart te brengen, zonder enige basisinformatie om mee te beginnen. De complexe metabolische processen van bacteriën omvatten het verbruik van een specifieke combinatie van de 20 aminozuren die nodig zijn voor het leven. Het doel van het onderzoek was om te bepalen welke aminozuren precies nodig zijn voor de groei van gunstige mondbacteriën.

“We weten bijna niets over de meeste bacteriën die onze gezondheid beïnvloeden. Het begrijpen van hoe bacteriën groeien is de eerste stap naar het opnieuw ontwerpen van ons microbioom,” zei Paul Jensen, universitair docent biomedische technologie aan de U-M, die aan de Universiteit van Illinois was toen het project begon.

Een moeilijke taak vereenvoudigd door AI

Het ontcijferen van de voorkeurscombinatie van aminozuren voor bacteriën is een ontmoedigende taak vanwege de meer dan een miljoen mogelijke combinaties. Echter, BacterAI kon de aminozuureisen voor de groei van zowel Streptococcus gordonii als Streptococcus sanguinis met succes bepalen.

De aanpak van BacterAI bestond uit het testen van honderden combinaties van aminozuren per dag, het verfijnen van de focus en het wijzigen van combinaties elke dag op basis van de resultaten van de experimenten van de vorige dag. Binnen een periode van negen dagen bereikte het 90% nauwkeurigheid in zijn voorspellingen.

AI leren door trial en error

In tegenstelling tot traditionele methoden die gebruikmaken van gelabelde datasets om machinelearningmodellen te trainen, genereert BacterAI zijn eigen dataset door een iteratief proces van het uitvoeren van experimenten, het analyseren van resultaten en het voorspellen van toekomstige resultaten. Deze methode stelde het in staat om de regels voor het voeden van bacteriën met minder dan 4.000 experimenten te ontcijferen.

“We wilden dat onze AI-agent stappen zou zetten en zou vallen, dat hij zijn eigen ideeën zou ontwikkelen en fouten zou maken. Elke dag wordt het een beetje beter, een beetje slimmer,” zei Jensen, die de parallellen tussen het leerproces van BacterAI en dat van een kind benadrukte.

De toekomst van AI in onderzoek

Aangezien er weinig tot geen onderzoek is gedaan naar ongeveer 90% van de bacteriën, vormen conventionele methoden een aanzienlijke barrière in termen van tijd en middelen. Het vermogen van BacterAI om geautomatiseerde experimenten uit te voeren, kan ontdekkingen drastisch versnellen. In één dag slaagde het team erin om tot 10.000 experimenten uit te voeren.

De potentieel toepassingen van BacterAI gaan echter verder dan microbiologie. Onderzoekers in elk vakgebied kunnen vragen stellen als puzzels voor AI om op te lossen door middel van dit soort trial-en-errorprocessen.

“Met de recente explosie van mainstream AI in de afgelopen maanden, zijn veel mensen onzeker over wat het in de toekomst zal brengen, zowel positief als negatief,” zei Adam Dama, een voormalig ingenieur in het Jensen Lab en hoofdauteur van de studie. “Maar voor mij is het heel duidelijk dat gefocuste toepassingen van AI zoals ons project het dagelijkse onderzoek zullen versnellen.”