โมเดลและแพลตฟอร์ม AI

การเร่งการค้นพบทางวิทยาศาสตร์: AI ทดลองอัตโนมัติ

Alex McFarland
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญBacterAI ทำการทดลองอัตโนมัติมากถึง 10,000…
ดูเพิ่มเติม
  • BacterAI ทำการทดลองอัตโนมัติมากถึง 10,000 ครั้งต่อวันเพื่อถอดรหัสเมแทบอลิซึมของจุลินทรีย์
  • AI สร้างข้อมูลฝึกสอนของตัวเองโดยการทดสอบและปรับปรุงการผสมกรดอะมิโนในแต่ละวัน
  • การประยุกต์ใช้ AI ที่มุ่งเน้นเช่น BacterAI สามารถเร่งการวิจัยในชีวิตประจำวันในหลายสาขาวิทยาศาสตร์

แพลตฟอร์มปัญญาประดิษฐ์ที่เรียกว่า BacterAI ซึ่งได้รับการออกแบบโดยทีมวิจัยที่นำโดยศาสตราจารย์จากมหาวิทยาลัยมิชิแกน ได้แสดงให้เห็นถึงความสามารถในการทดลองทางวิทยาศาสตร์อัตโนมัติเป็นจำนวนมาก – มากถึง 10,000 การทดลองต่อวัน การใช้งาน AI ที่เป็นนวัตกรรมใหม่นี้อาจเปิดทางให้เกิดความก้าวหน้าอย่างรวดเร็วในหลายสาขา รวมถึงการแพทย์ เกษตรกรรม และวิทยาศาสตร์สิ่งแวดล้อม

ผลการวิจัยได้รับการตีพิมพ์ใน Nature Microbiology.

การถอดรหัสเมแทบอลิซึมของจุลินทรีย์ด้วย BacterAI

BacterAI ได้รับการพัฒนาเพื่อสร้างแผนที่เมแทบอลิซึมของจุลินทรีย์สองชนิดที่เกี่ยวข้องกับสุขภาพช่องปาก โดยไม่มีข้อมูลพื้นฐานใดๆ ที่จะเริ่มต้น กระบวนการเมแทบอลิซึมที่ซับซ้อนของแบคทีเรียเกี่ยวข้องกับการใช้กรดอะมิโนร่วมกันเป็นชุดเฉพาะจากกรดอะมิโนที่จำเป็นต่อชีวิตทั้ง 20 ชนิด เป้าหมายของการวิจัยคือการกำหนดกรดอะมิโนที่จำเป็นสำหรับการเติบโตของจุลินทรีย์ที่มีประโยชน์ต่อสุขภาพช่องปาก

“เรารู้เพียงเล็กน้อยเกี่ยวกับแบคทีเรียส่วนใหญ่ที่มีอิทธิพลต่อสุขภาพของเรา การเข้าใจว่าแบคทีเรียเติบโตอย่างไรเป็นขั้นตอนแรกในการออกแบบไมโครไบโอมของเราใหม่” Paul Jensen ผู้ช่วยศาสตราจารย์ด้านวิศวกรรมชีวการแพทย์แห่งมหาวิทยาลัยมิชิแกนกล่าว ซึ่งเคยทำงานที่มหาวิทยาลัยอิลลินอยส์เมื่อโครงการเริ่มต้นขึ้น

งานที่ท้าทายที่ได้รับการทำให้ง่ายขึ้นโดย AI

การถอดรหัสการผสมผสานกรดอะมิโนที่ชอบของแบคทีเรียเป็นงานที่ท้าทายเนื่องจากมีการผสมผสานที่เป็นไปได้มากกว่าหนึ่งล้าน อย่างไรก็ตาม BacterAI สามารถกำหนดความต้องการกรดอะมิโนสำหรับการเติบโตของ Streptococcus gordonii และ Streptococcus sanguinis ได้สำเร็จ

วิธีการของ BacterAI เกี่ยวข้องกับการทดสอบร้อยๆ การผสมผสานกรดอะมิโนต่อวัน โดยการปรับโฟกัสและเปลี่ยนแปลงการผสมผสานทุกวันตามผลการทดลองของวันก่อนหน้า ในช่วงเก้าวัน มันบรรลุความแม่นยำ 90% ในการคาดการณ์

การเรียนรู้ของ AI ผ่านการลองผิดลองถูก

ไม่เหมือนกับวิธีการแบบดั้งเดิมที่ใช้ข้อมูลที่มีฉลากเพื่อฝึกโมเดลการเรียนรู้ของเครื่อง BacterAI สร้างชุดข้อมูลของตัวเองผ่านกระบวนการทำการทดลอง วิเคราะห์ผลลัพธ์ และคาดการณ์ผลลัพธ์ในอนาคต วิธีการนี้ทำให้สามารถถอดรหัสกฎการให้อาหารแบคทีเรียได้ด้วยการทดลองน้อยกว่า 4,000 ครั้ง

“เราต้องการให้ตัวแทน AI ของเราทำขั้นตอนและล้มลง เพื่อสร้างความคิดของตัวเองและทำผิดพลาด ทุกวัน มันจะดีขึ้นเล็กน้อย มันจะฉลาดขึ้น” Jensen กล่าว โดยเน้นย้ำถึงความคล้ายคลึงกันระหว่างกระบวนการเรียนรู้ของ BacterAI และเด็ก

อนาคตของ AI ในการวิจัย

เนื่องจากแบคทีเรียประมาณ 90% ยังได้รับการศึกษาน้อยมากหรือยังไม่เคยได้รับการศึกษาเลย วิธีการแบบดั้งเดิมจึงเป็นอุปสรรคที่สำคัญในแง่ของเวลาและทรัพยากรที่ต้องการ ความสามารถของ BacterAI ในการทดลองอัตโนมัติอาจเร่งการค้นพบได้อย่างมาก ในหนึ่งวัน ทีมงานสามารถทดลองได้มากถึง 10,000 ครั้ง

อย่างไรก็ตาม การใช้งานที่เป็นไปได้ของ BacterAI ยังขยายไปไกลกว่าจุลินทรีย์วิทยา นักวิจัยในหลายสาขาสามารถตั้งคำถามเป็นปัญหาให้ AI แก้ไขผ่านกระบวนการลองผิดลองถูกนี้

“ด้วยการระเบิดของ AI ในช่วงหลายเดือนที่ผ่านมา มีหลายคนไม่แน่ใจว่ามันจะนำมาซึ่งอะไรในอนาคต ทั้งด้านบวกและด้านลบ” Adam Dama อดีตวิศวกรในห้องปฏิบัติการ Jensen และผู้เขียนนำของการศึกษากล่าว “แต่สำหรับฉัน มันชัดเจนว่าการใช้งาน AI ที่มุ่งเน้นเช่นโครงการของเราจะเร่งการวิจัยทุกวัน”

Alex เป็นผู้นำการดำเนินงานข่าวที่ใช้ AI ของ Unite.AI โดยผสานงานวารสารศาสตร์ การวิจัย และระบบอัตโนมัติ เพื่อสนับสนุนการรายงานข่าวด้านปัญญาประดิษฐ์อย่างทันท่วงทีและรองรับการขยายงาน งานของเขาช่วยให้ความก้าวหน้าใหม่ ๆ ด้าน AI ได้รับการนำเสนออย่างมีประสิทธิภาพ พร้อมรักษามาตรฐานบรรณาธิการของสำนักพิมพ์