05 mei 2023 (Nanowerk Nieuws) Een kunstmatige intelligentie systeem stelt robots in staat om autonome wetenschappelijke experimenten uit te voeren - maar liefst 10,000 per dag - waardoor mogelijk een drastische sprong voorwaarts kan worden gemaakt in het tempo van ontdekking op gebieden van geneeskunde tot landbouw tot milieuwetenschap. Binnen gemeld Natuur Microbiologie (“BacterAI brengt microbieel metabolisme in kaart zonder voorkennis”), werd het team geleid door een professor die nu verbonden is aan de Universiteit van Michigan. Dat kunstmatige-intelligentieplatform, genaamd BacterAI, bracht het metabolisme in kaart van twee microben die verband houden met mondgezondheid - zonder basisinformatie om mee te beginnen. Bacteriën consumeren een combinatie van de 20 aminozuren die nodig zijn om in leven te blijven, maar elke soort heeft specifieke voedingsstoffen nodig om te groeien. Het UM-team wilde weten welke aminozuren de nuttige microben in onze mond nodig hebben om hun groei te bevorderen.
Paul Jensen, assistent-professor aan de University of Michigan Biomedical Engineering en zijn afgestudeerde studenten hebben een agent voor kunstmatige intelligentie gemaakt die game-playing-robots gebruikt om wetenschappelijke vragen te beantwoorden. BacterAI kan autonome wetenschappelijke experimenten voor robots toewijzen die uiteindelijk leiden tot antwoorden waar mensen normaal jaren over zouden doen. Hun Deep Phenotyping-systeem heeft sinds januari 931,038 2020 geautomatiseerde experimenten voltooid. (Afbeelding: Marcin Szczepanski, Michigan Engineering) “We weten bijna niets over de meeste bacteriën die onze gezondheid beïnvloeden. Begrijpen hoe bacteriën groeien, is de eerste stap naar het opnieuw ontwerpen van ons microbioom”, zegt Paul Jensen, UM-assistent-professor biomedische technologie die aan de Universiteit van Illinois was toen het project begon.
Het uitzoeken van de combinatie van aminozuren die bacteriën lekker vinden, is echter lastig. Die 20 aminozuren leveren meer dan een miljoen mogelijke combinaties op, gewoon op basis van het feit of elk aminozuur aanwezig is of niet. Toch kon BacterAI de aminozuurvereisten voor de groei van zowel Streptococcus gordonii als Streptococcus sanguinis ontdekken.
Om de juiste formule voor elke soort te vinden, testte BacterAI honderden combinaties van aminozuren per dag, verscherpte de focus en veranderde de combinaties elke ochtend op basis van de resultaten van de vorige dag. Binnen negen dagen produceerde het 90% van de tijd nauwkeurige voorspellingen.
In tegenstelling tot conventionele benaderingen die gelabelde datasets invoeren in een machine-learningmodel, creëert BacterAI zijn eigen dataset door middel van een reeks experimenten. Door de resultaten van eerdere proeven te analyseren, komt het met voorspellingen over welke nieuwe experimenten het de meeste informatie zouden kunnen opleveren. Als gevolg hiervan ontdekte het de meeste regels voor het voeden van bacteriën met minder dan 4,000 experimenten.
“Als een kind leert lopen, kijken ze niet alleen naar volwassenen die lopen en zeggen dan 'Oké, ik snap het', staan op en beginnen te lopen. Ze rommelen wat rond en doen eerst wat vallen en opstaan,' zei Jensen.
“We wilden dat onze AI-agent stappen zette en viel, om met eigen ideeën te komen en fouten te maken. Elke dag wordt het een beetje beter, een beetje slimmer.” Er is weinig tot geen onderzoek gedaan naar ongeveer 90% van de bacteriën, en de hoeveelheid tijd en middelen die nodig zijn om zelfs maar fundamentele wetenschappelijke informatie over hen te leren met behulp van conventionele methoden, is ontmoedigend. Geautomatiseerde experimenten kunnen deze ontdekkingen drastisch versnellen. Het team voerde op één dag tot wel 10,000 experimenten uit.
Maar de toepassingen gaan verder dan microbiologie. Onderzoekers op elk gebied kunnen vragen stellen als puzzels die AI moet oplossen door middel van dit soort vallen en opstaan.
"Met de recente explosie van reguliere AI in de afgelopen maanden, zijn veel mensen onzeker over wat het in de toekomst zal brengen, zowel positief als negatief", zegt Adam Dama, een voormalig ingenieur in het Jensen Lab en hoofdauteur van de studie. .
Paul Jensen, assistent-professor aan de University of Michigan Biomedical Engineering en zijn afgestudeerde studenten hebben een agent voor kunstmatige intelligentie gemaakt die game-playing-robots gebruikt om wetenschappelijke vragen te beantwoorden. BacterAI kan autonome wetenschappelijke experimenten voor robots toewijzen die uiteindelijk leiden tot antwoorden waar mensen normaal jaren over zouden doen. Hun Deep Phenotyping-systeem heeft sinds januari 931,038 2020 geautomatiseerde experimenten voltooid. (Afbeelding: Marcin Szczepanski, Michigan Engineering) “We weten bijna niets over de meeste bacteriën die onze gezondheid beïnvloeden. Begrijpen hoe bacteriën groeien, is de eerste stap naar het opnieuw ontwerpen van ons microbioom”, zegt Paul Jensen, UM-assistent-professor biomedische technologie die aan de Universiteit van Illinois was toen het project begon.
Het uitzoeken van de combinatie van aminozuren die bacteriën lekker vinden, is echter lastig. Die 20 aminozuren leveren meer dan een miljoen mogelijke combinaties op, gewoon op basis van het feit of elk aminozuur aanwezig is of niet. Toch kon BacterAI de aminozuurvereisten voor de groei van zowel Streptococcus gordonii als Streptococcus sanguinis ontdekken.
Om de juiste formule voor elke soort te vinden, testte BacterAI honderden combinaties van aminozuren per dag, verscherpte de focus en veranderde de combinaties elke ochtend op basis van de resultaten van de vorige dag. Binnen negen dagen produceerde het 90% van de tijd nauwkeurige voorspellingen.
In tegenstelling tot conventionele benaderingen die gelabelde datasets invoeren in een machine-learningmodel, creëert BacterAI zijn eigen dataset door middel van een reeks experimenten. Door de resultaten van eerdere proeven te analyseren, komt het met voorspellingen over welke nieuwe experimenten het de meeste informatie zouden kunnen opleveren. Als gevolg hiervan ontdekte het de meeste regels voor het voeden van bacteriën met minder dan 4,000 experimenten.
“Als een kind leert lopen, kijken ze niet alleen naar volwassenen die lopen en zeggen dan 'Oké, ik snap het', staan op en beginnen te lopen. Ze rommelen wat rond en doen eerst wat vallen en opstaan,' zei Jensen.
“We wilden dat onze AI-agent stappen zette en viel, om met eigen ideeën te komen en fouten te maken. Elke dag wordt het een beetje beter, een beetje slimmer.” Er is weinig tot geen onderzoek gedaan naar ongeveer 90% van de bacteriën, en de hoeveelheid tijd en middelen die nodig zijn om zelfs maar fundamentele wetenschappelijke informatie over hen te leren met behulp van conventionele methoden, is ontmoedigend. Geautomatiseerde experimenten kunnen deze ontdekkingen drastisch versnellen. Het team voerde op één dag tot wel 10,000 experimenten uit.
Maar de toepassingen gaan verder dan microbiologie. Onderzoekers op elk gebied kunnen vragen stellen als puzzels die AI moet oplossen door middel van dit soort vallen en opstaan.
"Met de recente explosie van reguliere AI in de afgelopen maanden, zijn veel mensen onzeker over wat het in de toekomst zal brengen, zowel positief als negatief", zegt Adam Dama, een voormalig ingenieur in het Jensen Lab en hoofdauteur van de studie. .
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoAiStream. Web3 gegevensintelligentie. Kennis versterkt. Toegang hier.
- De toekomst slaan met Adryenn Ashley. Toegang hier.
- Koop en verkoop aandelen in PRE-IPO-bedrijven met PREIPO®. Toegang hier.
- Bron: https://www.nanowerk.com/news2/robotics/newsid=62949.php
