Если вы ели веганские гамбургеры со вкусом мяса или использовали косметические средства с синтетическим коллагеном, значит, синтетическая биология принесла вам пользу. Оба эти продукта «выращены» в лаборатории, также это область разработок, в которой заложен огромный потенциал. Она позволяет ученым создавать биологические системы с особыми спецификациями, например, создавать микроб для производства агента для борьбы с раком.

Тем не менее, традиционные методы биоинженерии медленны и трудоемки, при этом основным подходом является метод проб и ошибок. Чтобы решить проблему, ученые из Национальной лаборатории Лоуренса Беркли Министерства энергетики США (Berkeley Lab) разработали новый инструмент, который адаптирует алгоритмы машинного обучения к потребностям синтетической биологии. Это позволит систематизировать руководство разработкой.

Исследователи рассказали о своих результатах в журнале Nature Communications.

Новая разработка позволит ученым не тратить годы на детальное понимание каждой части клетки и ее конкретных функций, чтобы управлять ею. Вместо этого, с ограниченным набором обучающих данных, новые алгоритмы предскажут, как изменения в ДНК повлияют на поведение клетки и ее биохимию, а затем дадут рекомендации для следующего инженерного цикла вместе с вероятными прогнозами для достижения желаемой цели инженеров.

«Возможности революционные, — заявил Эктор Гарсия Мартин, исследователь из отдела биологических систем и инженерии (BSE) лаборатории Беркли, руководивший исследованием. – В настоящее время биоинженерия — очень медленный процесс. Потребовалось 150 человеко-лет, чтобы создать противомалярийный препарат, артемизинин. Если вы сможете создать новые клетки в соответствии со спецификациями за пару недель или месяцев вместо нескольких лет, это революционизирует возможности биоинженерии».

Работая с специалистом по анализу данных BSE Тияной Радивоевич и международной группой исследователей, команда разработала и продемонстрировала ожидающий патентования алгоритм — «Автоматический инструмент рекомендации» (ART). Машинное обучение позволяет компьютерам делать прогнозы после «обучения» на основе значительного количества доступных данных.

Алгоритм адаптирован к особенностям области синтетической биологии своими небольшими наборами обучающих данных, необходимостью количественной оценки неопределенности, а также рекурсивными циклами. Возможности этого инструмента были продемонстрированы на моделировании и исторических данных из предыдущих проектов метаболической инженерии, таких как улучшение производства возобновляемого биотоплива.