دانشمندان دپارتمان انرژی لورنس برکلی وابسته به کتابخانه‌ی ملی و آزمایشگاه برکلی، روشی را برای به‌کارگیری یادگیری ماشینی توسعه داده‌اند تا بتوانند به‌طور چشمگیری طراحی میکروب‌های سازنده سوخت زیستی را سرعت بخشند. در این تکنیک، امکان پیش‌بینی میزان سوخت زیستی تولید شده توسط میکروب‌ها نیز فراهم شده است.
الگوریتم کامپیوتری دانشمندان فوق، با داده‌های فراوانی در خصوص پروتئین‌ها و متابولیک‌ها در یک مسیر میکروبی تولید سوخت زیستی آغاز می‌شود. اما هیچ اطلاعاتی درباره چگونگی عملکرد این مسیر وجود ندارد. این الگوریتم از داده‌های آزمایش‌های پیشین استفاده می‌کند تا بفهمد این مسیر چگونه رفتار خواهد کرد.
دانشمندان از این تکنیک برای پیش‌بینی اتوماتیک مقدار سوخت زیستی تولید شده توسط مسیرهایی که به سلول‌های باکتریایی E. coli افزوده شده است، استفاده کرده‌اند. این پژوهش توسط زک کاستلو و همکارانش تحت راهنمایی گارسیا مارتین انجام شده است و هر دو پژوهشگر در بخش سیستم‌های بیولوژیک و مهندسی آزمایش برکلی حضور دارند.
این پژوهش که در مجله Nature Systems Biology and Applications منتشر شده است، نشان می‌دهد که رویکرد جدید، بسیار سریع‌تر از روش کنونی برای پیش‌بینی رفتار مسیرها بوده و در سرعت بخشیدن به تشکیل زیست مولکول‌ها برای کاربردهای گوناگون، ازجمله سوخت‌های زیستی مناسب تجاری، کارا است. مثالی از این کاربردها، داروهایی هستند که با عفونت‌های مقاوم به آنتی‌بیوتیک مبارزه می‌کنند یا محصولات زراعی را در برابر خشک‌سالی مقاوم می‌سازند.
در علوم زیست‌شناسی، منظور از یک مسیر، یک سری از واکنش‌های شیمیایی در یک سلول است که ترکیبات خاصی را تولید می‌کند. پژوهشگران در حال بررسی روش‌هایی برای بازمهندسی مسیرها و انتقال آن‌ها از یک میکروب به میکروب دیگر هستند تا ابزار طبیعت را برای بهبود داروها، انرژی، تولید و کشاورزی مهار کنند.
گارسیا مارتین بیان کرده است: «تنگنای مهمی در فرایند توسعه وجود دارد. پیش‌بینی این که یک مسیر زمانی که بازمهندسی می‌شود چگونه رفتار خواهد کرد بسیار مشکل است. معمولاً عیب‌یابی مسیر تا ۹۹ درصد از زمان ما را می‌گیرد، اما رویکرد ما می‌تواند به‌طور چشمگیری این مرحله را کوتاه سازد و تبدیل به روش جدیدی برای راهنمایی تلاش‌های زیست مهندسی شود.»
روش کنونی برای پیش‌بینی دینامیک‌های مسیر، مستلزم مارپیچی از معادلات دیفرانسیل است که چگونگی تغییر اجزا در طول زمان در سیستم را توصیف می‌کند. ساخت این -مدل‌های جنبشی- چندین ماه به طول انجامید. اما پیش‌بینی‌های به دست آمده از آن همیشه با نتایج آزمایش انطباق ندارد. با این حال آن‌ها از یادگیری ماشینی داده‌ها، برای آموزش یک الگوریتم کامپیوتری، جهت انجام پیش‌بینی، استفاده می‌کنند.
این الگوریتم، رفتار یک سیستم را توسط آنالیز داده‌های سیستم‌های مرتبط می‌آموزد. این کار به دانشمندان امکان می‌دهد که سریعاً کارکرد یک مسیر را پیش‌بینی کنند، حتی اگر مکانیسم آن کاملاً مورد فهم قرار نگرفته باشد تا زمانی که داده‌ی کافی برای کار کردن به دست آید.
با این روش، دانشمندان تکنیک های خود را روی مسیرهای اضافه شده به باکتری E. coli آزمایش و یک مسیر برای تولید سوخت جت با پایه زیستی به نام لیمونن طراحی کرده‌اند. به گفته آن‌ها، مسیر دیگر، یک جایگزین گازوئیل به نام ایزوپنتانول را تولید می‌کند.
❇️ ترجمه: آزاده داودی
☑️ لینک مقاله
☑️ عضویت در زیست فن میکروبی صنعتی محیط زیست
☑️ عضویت در کانال زیست فن
