虽然生物系统工程在生物技术和合成生物学中确实不可或缺，但今天机器学习已经在生物学的所有领域都很有用。爱博网投领导者然而，很明显，算法的应用和改进，由指令列表组成的计算过程，是不容易实现的。它们不仅受到编程技能的限制，而且经常受到实验标记数据不足的限制。在计算和实验工作的交叉点，需要有效的方法来弥合机器学习算法与其在生物系统中的应用之间的差距。

现在，由Tobias Erb领导的马克斯普朗克陆地微生物研究所的一个团队成功地实现了机器学习的民主化。爱博网投领导者在他们最近发表在《自然通讯》上的文章中，该团队与巴黎INRAe研究所的合作伙伴一起展示了他们的工具METIS。该应用程序建立在这样一个通用的模块化架构中，它不需要计算技能，可以应用于不同的生物系统和不同的实验室设备。“明智的建议”。

所需数据更少

主动学习，也被称为最佳实验设计，使用机器学习算法在之前的结果上进行训练后，以交互方式建议下一组实验，这对湿实验室科学家来说是一种有价值的方法，特别是在处理有限数量的实验标记数据时。但主要的瓶颈之一是实验室生成的实验标记数据并不总是高到足以训练机器学习模型。“虽然主动学习已经减少了对实验数据的需求，但我们进一步研究了各种机器学习算法。令人鼓舞的是，我们发现了一个更少依赖数据的模型，”该研究的主要作者之一阿米尔·潘迪说。

为了展示METIS的多功能性，该团队将其用于各种应用，包括蛋白质生产的优化、遗传结构、酶活性的组合工程和复杂的CO₂固定代谢循环命名为CETCH。对于CETCH循环，他们探索了1025个条件的组合空间，只有1000个实验条件，并报告了最有效的CO₂迄今为止描述的固定级联。

优化生物系统

在应用方面，该研究为生物技术、合成生物学、遗传电路设计和代谢工程的民主化和推进提供了新的工具。爱博网投领导者该研究的共同主要作者Christoph Diehl说:“METIS允许研究人员优化他们已经发现或合成的生物系统。”“但它也是理解复杂相互作用和假设驱动优化的组合指南。最令人兴奋的好处可能是:它可以成为一个非常有用的系统，用于创建新自然系统的原型。”

METIS是一个模块化的工具，作为谷歌Colab Python笔记本运行，可以通过在网络浏览器上的个人笔记本副本使用，无需安装，注册，也不需要本地计算能力。本工作提供的材料可以指导用户根据自己的应用定制METIS。