武学前沿| Lumen公司的AI分析将突破实验设计的限制进行优化生产

通过使用机器学习(ML)进行多变量数据剖析，Lumen公司将其根治性蛋白质生产方式增强了70%-100%。据该公司某负责人称，相较传统“实验设计”[DOE]，只相当于其对于同样数目的变量所需运量的一小部份”。

Byoutdatawith(ML),Lumenits70and100,whileonlyasmalloftherunsthatwouldhavebeenunderthe“of(DOE)”forthesameof,to.

所面临的挑战是怎样优化螺旋藻的高生长速率，螺旋藻是Lumen公司拿来生产用于卡介苗和医治的重组蛋白的光合微生物，同时实现蛋白质的高抒发。

Thewastothehighrateof,theLumenusestoforitsand,whilehighofthe.

为了优化这种诱因，该公司与(GAS)合作实验设计与分析，使用96个光生物反应器，研究生产结果与17个环境变量之间的关系。通过设计自适应迭代模型，该公司能只需运行245种配置，而采用两级全因子DOE方式则须要130,000种配置。

Tothose,thewith(GAS)totheamongand17,using96.Byan,model,thewasabletorunonly245the130,000thatwouldhavebeenforatwo-level,fullDOE.

该模型准许将资源转移到可能性更大的领域，并随着新数据的出现建立模型。“这种适应性有助于减少我们在研究设计阶段时面临的风险，比许多基于DOE的研究具有更高的灵活性，”Lumen公司信息经理博士说。

Thatmodeltobetomoreareasandtobeasnewdata.“Thisde-riskourstudyphase,forthanmanyDOE-based,”says,PhD,ofatLumen.

最优参数

据悉，按照现有的先入为主的观念，ML找到了其最优参数，而用DOE可能难以确定那些参数。最佳水温范围（落在典型的中点和低点之间的窄带内）和最佳pH范围（高于文献报导的数值）是其中的两个反例。

,MLthatwouldnothavebeenwithDOE,basedon.Therange(whichfellinabandandhigh)andthepHrange(whichfellbelowthoseinthe)aretwo.

博士强调，要获得这样的结果，须要大量确切的数据，“所以我们专注于通过联发科量萤光蛋白剖析来进行读数。应用ML还须要仔细考虑怎样构造我们更复杂的、光程的参数和奖励函数。

Tosuchaofdata,notes,“soweonahigh-assayforour.MLalsoofhowtoourmore,light-and.

“ML有一种方式可以得出我们可能没有意料到的解决方案，因而对我们来说，充分考虑奖励函数的优化是否会带来着力可行的解决方案十分重要。该方式对观察噪音和非线性爱相互对稳健，它容许我们能否探求具有光渐变和循环照明时间表的复杂子空间。

“MLhasawayofatthatyoumaynothave,soitwasforustofullyofourwouldleadto.Thewastonoiseandnon-,anditustoawithlightand.

“在介于第5周和第15周时实验设计与分析，我们找出了多个生物反应器设置配置，而这种配置促使生产力提升了近一倍。在此过程中，我们添加了一些我们将继续应用的控制和规范标准，以帮助确保观察到的结果来自确定而不是隐藏的变量。”

“weeks5and15,wethat.the,weaddedaofandthatwewilltoapplytohelparisefrom–than–.”

Lumen公司会继续探求多种培养基参数，但博士表示它还不须要对菌株背景引入任何重大变化。该团队目前正在以引入遗传和环境变量以进一步优化参数。

Lumentomedia,butsaysithasn’ttoanymajortothe.Theteamisandfor.

原文链接：