Accelererande vetenskapliga upptäckter: AI genomför autonoma experiment

En artificiell intelligensplattform känd som BacterAI, utvecklad av en forskargrupp ledd av en professor vid University of Michigan, har visat sin förmåga att genomföra ett överväldigande antal autonoma vetenskapliga experiment – upp till 10 000 per dag. Genombrottet med AI kan bana väg för snabba framsteg inom olika områden, inklusive medicin, jordbruk och miljövetenskap.

Resultaten från forskningen publicerades i Nature Microbiology.

Att förstå mikrobiell metabolism med BacterAI

BacterAI utvecklades för att kartlägga metabolismen hos två mikrober som är associerade med munhälsa, utan någon basinformation att starta med. De komplexa metaboliska processerna i bakterier innefattar konsumtion av en specifik kombination av de 20 aminosyror som krävs för liv. Målet med forskningen var att fastställa de exakta aminosyrorna som behövs av nyttiga munmikrober för att främja deras tillväxt.

“Vi vet nästan ingenting om de flesta bakterier som påverkar vår hälsa. Att förstå hur bakterier växer är det första steget mot att omkonstruera vår mikrobiom”, sa Paul Jensen, biträdande professor i biomedicinsk teknik vid U-M, som var vid University of Illinois när projektet började.

En utmanande uppgift förenklad av AI

Att avkoda den föredragna kombinationen av aminosyror för bakterier är en överväldigande uppgift på grund av de över en miljon möjliga kombinationerna. Men BacterAI kunde framgångsrikt fastställa aminosyrabehoven för tillväxten av både Streptococcus gordonii och Streptococcus sanguinis.

BacterAIs tillvägagångssätt innefattade testning av hundratals kombinationer av aminosyror per dag, förfining av fokus och ändring av kombinationer varje dag baserat på resultaten från föregående dags experiment. Inom loppet av nio dagar uppnådde det 90% noggrannhet i sina förutsägelser.

AI-lärande genom trial och error

Till skillnad från traditionella metoder som använder märkta datamängder för att träna maskinlärningsmodeller, genererar BacterAI sin egen datamängd genom en iterativ process av att genomföra experiment, analysera resultat och förutsäga framtida resultat. Denna metod möjliggjorde att det kunde avkoda reglerna för att mata bakterier med färre än 4 000 experiment.

“Vi ville att vår AI-agent skulle ta steg och falla, att komma med sina egna idéer och göra misstag. Varje dag blir det lite bättre, lite smartare”, sa Jensen, som betonade likheterna mellan BacterAIs lärandeprocess och ett barns.

Framtiden för AI i forskning

Eftersom det har genomförts mycket liten eller ingen forskning om cirka 90% av bakterierna, utgör traditionella metoder ett betydande hinder i termer av tid och resurser som krävs. BacterAIs förmåga att genomföra automatiserade experiment kan drastiskt accelerera upptäckter. På en enda dag kunde teamet köra upp till 10 000 experiment.

Men de potentiella tillämpningarna av BacterAI sträcker sig bortom mikrobiologi. Forskare inom vilket område som helst kan ställa frågor som pussel för AI att lösa genom denna typ av trial och error-process.

“Med den nyliga explosionen av mainstream AI under de senaste månaderna, är många människor osäkra på vad det kommer att bringa i framtiden, både positivt och negativt”, sa Adam Dama, en tidigare ingenjör i Jensen Lab och huvudförfattare till studien. “Men för mig är det mycket tydligt att fokuserade tillämpningar av AI som vårt projekt kommer att accelerera vardaglig forskning.”