L’apprentissage automatique transforme tous les domaines des sciences biologiques et de l’industrie, mais il est généralement limité à quelques utilisateurs et scénarios. Une équipe de chercheurs de l’Institut Max Planck de microbiologie terrestre dirigée par Tobias Erb a développé METIS, un système logiciel modulaire pour l’optimisation des systèmes biologiques. L’équipe de recherche démontre sa facilité d’utilisation et sa polyvalence avec une variété d’exemples biologiques.
Bien que l’ingénierie des systèmes biologiques soit véritablement indispensable en biotechnologie et en biologie synthétique, l’apprentissage automatique est aujourd’hui devenu utile dans tous les domaines de la biologie. Cependant, il est évident que l’application et l’amélioration des algorithmes, des procédures de calcul constituées de listes d’instructions, ne sont pas facilement accessibles. Non seulement ils sont limités par les compétences en programmation, mais souvent aussi par des données expérimentalement étiquetées insuffisantes. À l’intersection des travaux informatiques et expérimentaux, il existe un besoin d’approches efficaces pour combler le fossé entre les algorithmes d’apprentissage automatique et leurs applications pour les systèmes biologiques.
Aujourd’hui, une équipe de l’Institut Max Planck de microbiologie terrestre dirigée par Tobias Erb a réussi à démocratiser l’apprentissage automatique. Dans leur récente publication dans « Nature Communications », l’équipe a présenté avec des partenaires de collaboration de l’Institut INRAe à Paris, leur outil METIS. L’application est construite dans une architecture si polyvalente et modulaire qu’elle ne nécessite pas de compétences informatiques et peut être appliquée sur différents systèmes biologiques et avec différents équipements de laboratoire. METIS est l’abréviation d’essais expérimentaux guidés par l’apprentissage automatique pour l’amélioration des systèmes et porte également le nom de l’ancienne déesse de la sagesse et de l’artisanat Μῆτις, lit. « sage conseil ».
Moins de données requises
L’apprentissage actif, également connu sous le nom de conception expérimentale optimale, utilise des algorithmes d’apprentissage automatique pour suggérer de manière interactive la prochaine série d’expériences après avoir été formé sur les résultats précédents, une approche précieuse pour les scientifiques de laboratoire humide, en particulier lorsqu’ils travaillent avec un nombre limité de données expérimentalement étiquetées . Mais l’un des principaux goulots d’étranglement réside dans les données étiquetées expérimentalement générées en laboratoire, qui ne sont pas toujours suffisamment élevées pour former des modèles d’apprentissage automatique. « Alors que l’apprentissage actif réduit déjà le besoin de données expérimentales, nous sommes allés plus loin et avons examiné divers algorithmes d’apprentissage automatique. De manière encourageante, nous avons trouvé un modèle encore moins dépendant des données », déclare Amir Pandi, l’un des principaux auteurs de l’étude.
Pour montrer la polyvalence de METIS, l’équipe l’a utilisé pour une variété d’applications, y compris l’optimisation de la production de protéines, les constructions génétiques, l’ingénierie combinatoire de l’activité enzymatique et un CO complexe2 cycle métabolique de fixation nommé CETCH. Pour le cycle CETCH, ils ont exploré un espace combinatoire de 1025 conditions avec seulement 1000 conditions expérimentales et ont rapporté le CO le plus efficace2 cascade de fixation décrite à ce jour.
Optimiser les systèmes biologiques
En application, l’étude fournit de nouveaux outils pour démocratiser et faire progresser les efforts actuels en biotechnologie, biologie synthétique, conception de circuits génétiques et ingénierie métabolique. « METIS permet aux chercheurs d’optimiser leurs systèmes biologiques déjà découverts ou synthétisés », déclare Christoph Diehl, co-auteur principal de l’étude. « Mais c’est aussi un guide combinatoire pour comprendre les interactions complexes et l’optimisation basée sur des hypothèses. Et ce qui est probablement l’avantage le plus excitant : cela peut être un système très utile pour prototyper des systèmes nouveaux dans la nature. »
METIS est un outil modulaire fonctionnant comme des blocs-notes Google Colab Python et peut être utilisé via une copie personnelle du bloc-notes sur un navigateur Web, sans installation, enregistrement ou besoin de puissance de calcul locale. Les matériaux fournis dans ce travail peuvent guider les utilisateurs pour personnaliser METIS pour leurs applications.
