
Πώς να κάνετε βιώσιμα προϊόντα πιο γρήγορα με την τεχνητή νοημοσύνη και τον αυτοματισμό
Ένα Q&A με τον Héctor García Martín, έναν επιστήμονα που συγχωνεύει τη βιολογία με εργαλεία που βασίζονται σε δεδομένα και ρομποτική για να επιταχύνει τον αγωγό για φάρμακα, φιλικά προς το περιβάλλον υλικά και βιοκαύσιμα
Τροποποιώντας τα γονιδιώματα των φυτών και των μικροοργανισμών, οι συνθετικοί βιολόγοι μπορούν να σχεδιάσουν βιολογικά συστήματα που πληρούν μια προδιαγραφή, όπως η παραγωγή πολύτιμων χημικών ενώσεων, η δημιουργία βακτηρίων ευαίσθητων στο φως ή ο προγραμματισμός βακτηριακών κυττάρων για να εισβάλουν στα καρκινικά κύτταρα. Αυτός ο τομέας της επιστήμης, αν και μόλις λίγων δεκαετιών, επέτρεψε την παραγωγή ιατρικής φαρμάκων μεγάλης κλίμακας και καθιέρωσε την ικανότητα παραγωγής χημικών, καυσίμων και υλικών χωρίς πετρέλαιο. Φαίνεται ότι τα βιοβιομηχανικά προϊόντα ήρθαν για να μείνουν και ότι θα βασιζόμαστε σε αυτά όλο και περισσότερο καθώς απομακρυνόμαστε από τις παραδοσιακές διαδικασίες παραγωγής υψηλής έντασης άνθρακα.
Αλλά υπάρχει ένα μεγάλο εμπόδιο – η συνθετική βιολογία είναι έντασης εργασίας και αργή. Από την κατανόηση των γονιδίων που απαιτούνται για την παραγωγή ενός προϊόντος, για να λειτουργήσουν σωστά σε έναν οργανισμό-ξενιστή και, τέλος, για να κάνουν αυτόν τον οργανισμό να ευδοκιμήσει σε ένα βιομηχανικό περιβάλλον μεγάλης κλίμακας, ώστε να μπορεί να παράγει αρκετό προϊόν για να καλύψει τη ζήτηση της αγοράς, η ανάπτυξη μιας διαδικασίας βιοπαραγωγής μπορεί να διαρκέσει πολλά χρόνια και πολλά εκατομμύρια δολάρια επένδυσης.
Ο Héctor García Martín, επιστήμονας προσωπικού στην περιοχή βιοεπιστημών του Lawrence Berkeley National Laboratory (Berkeley Lab), εργάζεται για να επιταχύνει και να βελτιώσει αυτό το τοπίο Ε & Α εφαρμόζοντας τεχνητή νοημοσύνη και τα μαθηματικά εργαλεία που κατέκτησε κατά τη διάρκεια της εκπαίδευσής του ως φυσικός.
Μιλήσαμε μαζί του για να μάθουμε πώς η τεχνητή νοημοσύνη, οι αλγόριθμοι κατά παραγγελία, η μαθηματική μοντελοποίηση και ο ρομποτικός αυτοματισμός μπορούν να συνδυαστούν ως άθροισμα μεγαλύτερο από τα μέρη του και να παράσχουν μια νέα προσέγγιση για τη συνθετική βιολογία.
Γιατί η έρευνα και η κλιμάκωση της συνθετικής βιολογίας εξακολουθούν να χρειάζονται πολύ χρόνο;
García Martín: Νομίζω ότι τα εμπόδια που συναντάμε στη συνθετική βιολογία για τη δημιουργία ανανεώσιμων προϊόντων πηγάζουν όλα από ένα πολύ θεμελιώδες επιστημονικό μειονέκτημα: την ανικανότητά μας να προβλέψουμε τα βιολογικά συστήματα. Πολλοί συνθετικοί βιολόγοι μπορεί να διαφωνούν μαζί μου και να επισημαίνουν τη δυσκολία στις διαδικασίες κλιμάκωσης από χιλιοστόλιτρα σε χιλιάδες λίτρα, ή τους αγώνες για την εξαγωγή αρκετά υψηλών αποδόσεων για να εγγυηθούν την εμπορική βιωσιμότητα, ή ακόμα και την επίπονη βιβλιογραφία που αναζητά μόρια με τις σωστές ιδιότητες σύνθεσης. Και όλα αυτά είναι αλήθεια. Αλλά πιστεύω ότι όλα είναι συνέπεια της ανικανότητάς μας να προβλέψουμε τα βιολογικά συστήματα. Ας πούμε ότι είχαμε κάποιον με μια μηχανή του χρόνου (ή τον Θεό, ή το αγαπημένο σας παντογνώστη ον) να έρθει και να μας δώσει μια τέλεια σχεδιασμένη αλληλουχία DNA για να βάλουμε ένα μικρόβιο έτσι ώστε να δημιουργήσει τη βέλτιστη ποσότητα του επιθυμητού μορίου στόχου μας (π.χ. ένα βιοκαύσιμο) σε μεγάλες κλίμακες (χιλιάδες λίτρα). Θα χρειαστούν μερικές εβδομάδες για να συντεθεί και να μετατραπεί σε κύτταρο και τρεις έως έξι μήνες για να αναπτυχθεί σε εμπορική κλίμακα. Η διαφορά μεταξύ αυτών των 6,5 μηνών και των ~10 ετών που μας παίρνει τώρα, είναι ο χρόνος που δαπανάται για τη βελτίωση των γενετικών αλληλουχιών και των συνθηκών καλλιέργειας – για παράδειγμα, μειώνοντας την έκφραση ενός συγκεκριμένου γονιδίου για να αποφευχθεί η συσσώρευση τοξικών ουσιών ή αυξάνοντας τα επίπεδα οξυγόνου για ταχύτερη ανάπτυξη – επειδή δεν γνωρίζουμε πώς αυτά θα επηρεάσουν τη συμπεριφορά των κυττάρων. Αν μπορούσαμε να το προβλέψουμε με ακρίβεια, θα μπορούσαμε να τα κατασκευάσουμε πολύ πιο αποτελεσματικά. Και έτσι γίνεται σε άλλους κλάδους. Δεν σχεδιάζουμε αεροπλάνα κατασκευάζοντας νέα σχήματα αεροπλάνων και πετώντας τα για να δούμε πόσο καλά λειτουργούν. Οι γνώσεις μας για τη δυναμική των ρευστών και τη δομική μηχανική είναι τόσο καλές που μπορούμε να προσομοιώσουμε και να προβλέψουμε την επίδραση που θα έχει κάτι σαν η αλλαγή ατράκτου κατά την πτήση.
Πώς η τεχνητή νοημοσύνη επιταχύνει αυτές τις διαδικασίες; Μπορείτε να δώσετε μερικά παραδείγματα πρόσφατης εργασίας;
García Martín: Χρησιμοποιούμε μηχανική μάθηση και τεχνητή νοημοσύνη για να παρέχουμε την προγνωστική δύναμη που χρειάζεται η συνθετική βιολογία. Η προσέγγισή μας παρακάμπτει την ανάγκη πλήρους κατανόησης των μοριακών μηχανισμών που εμπλέκονται, και έτσι εξοικονομεί σημαντικό χρόνο. Ωστόσο, αυτό εγείρει κάποια υποψία στους παραδοσιακούς μοριακούς βιολόγους.
Κανονικά αυτά τα εργαλεία πρέπει να εκπαιδευτούν σε τεράστια σύνολα δεδομένων, αλλά απλά δεν έχουμε τόσα δεδομένα στη συνθετική βιολογία όσα μπορεί να έχετε σε κάτι όπως η αστρονομία, έτσι αναπτύξαμε μοναδικές μεθόδους για να ξεπεράσουμε αυτόν τον περιορισμό. Για παράδειγμα, χρησιμοποιήσαμε τη μηχανική μάθηση για να προβλέψουμε ποιους υποκινητές (αλληλουχίες DNA που μεσολαβούν στην έκφραση γονιδίων) να επιλέξουν για να επιτύχουν τη μέγιστη παραγωγικότητα. Χρησιμοποιήσαμε επίσης τη μηχανική μάθηση για να προβλέψουμε τα σωστά μέσα ανάπτυξης για βέλτιστη παραγωγή, να προβλέψουμε τη μεταβολική δυναμική των κυττάρων, να αυξήσουμε τις αποδόσεις βιώσιμων πρόδρομων αεροπορικών καυσίμων και να προβλέψουμε πώς να κατασκευάσουμε λειτουργικές συνθάσες πολυκετιδίων (ένζυμα που μπορούν να παράγουν μια τεράστια ποικιλία πολύτιμων μορίων, αλλά είναι διαβόητα δύσκολο να κατασκευαστούν προβλέψιμα).
Σε πολλές από αυτές τις περιπτώσεις χρειάστηκε να αυτοματοποιήσουμε τα επιστημονικά πειράματα για να αποκτήσουμε τις μεγάλες ποσότητες δεδομένων υψηλής ποιότητας που χρειαζόμαστε για να είναι πραγματικά αποτελεσματικές οι μέθοδοι τεχνητής νοημοσύνης. Για παράδειγμα, χρησιμοποιήσαμε ρομποτικούς χειριστές υγρών για να δημιουργήσουμε νέα μέσα ανάπτυξης για μικρόβια και να δοκιμάσουμε την αποτελεσματικότητά τους και αναπτύξαμε μικρορευστά τσιπ για να προσπαθήσουμε να αυτοματοποιήσουμε τη γενετική επεξεργασία. Συνεργάζομαι ενεργά με άλλους στο εργαστήριο (και εξωτερικούς συνεργάτες) για τη δημιουργία εργαστηρίων αυτόνομης οδήγησης για τη συνθετική βιολογία.
Υπάρχουν πολλές άλλες ομάδες στις ΗΠΑ που κάνουν παρόμοια δουλειά; Πιστεύετε ότι αυτό το πεδίο θα μεγαλώσει με την πάροδο του χρόνου;
Ο αριθμός των ερευνητικών ομάδων με εμπειρία στη διασταύρωση της τεχνητής νοημοσύνης, της συνθετικής βιολογίας και του αυτοματισμού είναι πολύ μικρός, ιδιαίτερα εκτός της βιομηχανίας. Θα ήθελα να επισημάνω τον Philip Romero στο Πανεπιστήμιο του Wisconsin και τον Huimin Zhao στο Πανεπιστήμιο του Illinois Urbana-Champaign. Ωστόσο, δεδομένης της δυνατότητας αυτού του συνδυασμού τεχνολογιών να έχει τεράστιο κοινωνικό αντίκτυπο (π.χ. στην καταπολέμηση της κλιματικής αλλαγής ή στην παραγωγή νέων θεραπευτικών φαρμάκων), νομίζω ότι ο τομέας αυτός θα αναπτυχθεί πολύ γρήγορα στο εγγύς μέλλον. Έχω συμμετάσχει σε διάφορες ομάδες εργασίας, επιτροπές και εργαστήρια, συμπεριλαμβανομένης μιας συνάντησης εμπειρογνωμόνων για την Εθνική Επιτροπή Ασφαλείας για την Αναδυόμενη Βιοτεχνολογία, που συζήτησαν τις ευκαιρίες σε αυτόν τον τομέα και συντάσσουν εκθέσεις με ενεργές συστάσεις.
Τι είδους πρόοδο αναμένετε στο μέλλον από τη συνέχιση αυτού του έργου;
García Martín: Νομίζω ότι μια έντονη εφαρμογή της τεχνητής νοημοσύνης και της ρομποτικής / αυτοματισμού στη συνθετική βιολογία μπορεί να επιταχύνει τα χρονοδιαγράμματα της συνθετικής βιολογίας ~ 20 φορές. Θα μπορούσαμε να δημιουργήσουμε ένα νέο εμπορικά βιώσιμο μόριο σε ~6 μήνες αντί για ~10 χρόνια. Αυτό είναι απολύτως απαραίτητο εάν θέλουμε να καταστήσουμε δυνατή μια κυκλική βιοοικονομία – τη βιώσιμη χρήση ανανεώσιμης βιομάζας (πηγές άνθρακα) για την παραγωγή ενέργειας και ενδιάμεσων και τελικών προϊόντων.
Υπάρχουν περίπου 3.574 χημικές ουσίες μεγάλου όγκου παραγωγής (HPV) (χημικές ουσίες που οι ΗΠΑ παράγουν ή εισάγουν σε ποσότητες τουλάχιστον 1 εκατομμυρίου λιβρών ετησίως) που προέρχονται από πετροχημικά σήμερα. Μια εταιρεία βιοτεχνολογίας που ονομάζεται Genencor χρειάστηκε 575 ανθρωποέτη εργασίας για να παράγει μια ανανεώσιμη διαδρομή για την παραγωγή μιας από αυτές τις ευρέως χρησιμοποιούμενες χημικές ουσίες, 1,3-προπανοδιόλη, και αυτό είναι ένα τυπικό ποσοστό. Αν υποθέσουμε ότι αυτός είναι ο χρόνος που θα χρειαζόταν για να σχεδιαστεί μια διαδικασία βιοπαραγωγής για να αντικαταστήσει τη διαδικασία διύλισης πετρελαίου για κάθε μία από αυτές τις χιλιάδες χημικές ουσίες, θα χρειαζόμασταν ~ 2.000.000 ανθρωποέτη. Αν βάλουμε όλους τους εκτιμώμενους ~5.000 συνθετικούς βιολόγους των ΗΠΑ (ας πούμε το 10% όλων των βιολογικών επιστημόνων στις ΗΠΑ, και αυτό είναι υπερεκτίμηση) για να εργαστούν σε αυτό, θα χρειαστούν ~ 371 χρόνια για να δημιουργηθεί αυτή η κυκλική βιοοικονομία. Με την ανωμαλία της θερμοκρασίας να αυξάνεται κάθε χρόνο, δεν έχουμε πραγματικά 371 χρόνια. Αυτοί οι αριθμοί είναι προφανώς γρήγοροι υπολογισμοί στο πίσω μέρος του φακέλου, αλλά δίνουν μια ιδέα της τάξης μεγέθους αν συνεχίσουμε την τρέχουσα πορεία. Χρειαζόμαστε μια ανατρεπτική προσέγγιση.
Επιπλέον, η προσέγγιση αυτή θα επέτρεπε την επιδίωξη πιο φιλόδοξων στόχων που είναι ανέφικτοι με τις τρέχουσες προσεγγίσεις, όπως: μηχανική μικροβιακών κοινοτήτων για περιβαλλοντικούς σκοπούς και ανθρώπινη υγεία, βιοϋλικά, βιομηχανικοί ιστοί κ.λπ.
Πώς είναι το Berkeley Lab ένα μοναδικό περιβάλλον για να γίνει αυτή η έρευνα;
García Martín: Το Berkeley Lab έχει επενδύσει σημαντικά στη συνθετική βιολογία τις τελευταίες δύο δεκαετίες και επιδεικνύει σημαντική εμπειρία στον τομέα. Επιπλέον, το Berkeley Lab είναι το σπίτι της «μεγάλης επιστήμης»: μεγάλης ομάδας, διεπιστημονικής επιστήμης, και νομίζω ότι αυτός είναι ο σωστός δρόμος για τη συνθετική βιολογία αυτή τη στιγμή. Πολλά έχουν επιτευχθεί τα τελευταία εβδομήντα χρόνια από την ανακάλυψη του DNA μέσω παραδοσιακών προσεγγίσεων μοριακής βιολογίας ενός ερευνητή, αλλά νομίζω ότι οι μελλοντικές προκλήσεις απαιτούν μια διεπιστημονική προσέγγιση που περιλαμβάνει συνθετικούς βιολόγους, μαθηματικούς, ηλεκτρολόγους μηχανικούς, επιστήμονες υπολογιστών, μοριακούς βιολόγους, χημικούς μηχανικούς κ.λπ. Νομίζω ότι το Berkeley Lab θα πρέπει να είναι το φυσικό μέρος για αυτό το είδος εργασίας.
Ε: Πείτε μας λίγα λόγια για το υπόβαθρό σας, τι σας ενέπνευσε να μελετήσετε τη μαθηματική μοντελοποίηση βιολογικών συστημάτων;
García Martín: Από πολύ νωρίς, με ενδιέφερε πολύ η επιστήμη, συγκεκριμένα η βιολογία και η φυσική. Θυμάμαι έντονα τον πατέρα μου να μου λέει για την εξαφάνιση των δεινοσαύρων. Θυμάμαι επίσης να μου λένε πώς, στην Πέρμια περίοδο, υπήρχαν γιγάντιες λιβελλούλες (~75 cm) επειδή τα επίπεδα οξυγόνου ήταν πολύ υψηλότερα από ό, τι τώρα (~30% έναντι 20%) και τα έντομα παίρνουν το οξυγόνο τους μέσω της διάχυσης, όχι των πνευμόνων. Ως εκ τούτου, τα μεγαλύτερα επίπεδα οξυγόνου επέτρεψαν πολύ μεγαλύτερα έντομα. Ήμουν επίσης γοητευμένος από την ικανότητα που μας παρέχουν τα μαθηματικά και η φυσική να κατανοούμε και να σχεδιάζουμε πράγματα γύρω μας. Η φυσική ήταν η πρώτη μου επιλογή, επειδή ο τρόπος με τον οποίο διδασκόταν η βιολογία εκείνη την εποχή περιελάμβανε πολύ περισσότερη απομνημόνευση παρά ποσοτικές προβλέψεις. Αλλά πάντα με ενδιέφερε να μάθω ποιες επιστημονικές αρχές οδήγησαν στη ζωή στη Γη όπως τη βλέπουμε τώρα.
Πήρα το διδακτορικό μου στη θεωρητική φυσική, στο οποίο προσομοίωσα συμπυκνώματα Bose-Einstein (μια κατάσταση της ύλης που προκύπτει όταν σωματίδια που ονομάζονται μποζόνια, μια ομάδα που περιλαμβάνει φωτόνια, βρίσκονται κοντά στην απόλυτη μηδενική θερμοκρασία) και χρησιμοποιώντας τεχνικές Monte Carlo, αλλά παρείχε επίσης μια εξήγηση για ένα παζλ 100+ ετών στην οικολογία: γιατί ο αριθμός των ειδών σε μια περιοχή κλιμακώνεται με έναν φαινομενικά καθολικό νόμο ισχύος που εξαρτάται από την περιοχή (S = cAz, z=0,25); Από τότε θα μπορούσα να συνεχίσω να εργάζομαι στη φυσική, αλλά σκέφτηκα ότι θα μπορούσα να επηρεάσω περισσότερο εφαρμόζοντας δυνατότητες πρόβλεψης στη βιολογία. Για το λόγο αυτό, πήρα ένα μεγάλο στοίχημα για ένα διδακτορικό φυσικής και δέχτηκα ένα μεταδιδακτορικό στο DOE Joint Genome Institute στη μεταγονιδιωματική – αλληλούχιση μικροβιακών κοινοτήτων για να ξετυλίξουν τις υποκείμενες κυτταρικές τους δραστηριότητες – με την ελπίδα να αναπτύξουν μοντέλα πρόβλεψης για το μικροβίωμα. Ανακάλυψα, ωστόσο, ότι οι περισσότεροι μικροβιακοί οικολόγοι είχαν περιορισμένο ενδιαφέρον για τα προγνωστικά μοντέλα, οπότε άρχισα να εργάζομαι στη συνθετική βιολογία, η οποία χρειάζεται δυνατότητες πρόβλεψης επειδή στοχεύει στη μηχανική κυττάρων σύμφωνα με μια προδιαγραφή. Η τρέχουσα θέση μου μου επιτρέπει να χρησιμοποιήσω τις μαθηματικές μου γνώσεις για να προσπαθήσω να κατασκευάσω προβλέψιμα κύτταρα για την παραγωγή βιοκαυσίμων και την καταπολέμηση της κλιματικής αλλαγής. Έχουμε σημειώσει μεγάλη πρόοδο και έχουμε δώσει μερικά από τα πρώτα παραδείγματα συνθετικής βιολογίας καθοδηγούμενης από την τεχνητή νοημοσύνη, αλλά υπάρχει ακόμα πολλή δουλειά να κάνουμε για να κάνουμε τη βιολογία προβλέψιμη.
info
Το Lawrence Berkeley National Laboratory (Berkeley Lab) δεσμεύεται να παρέχει λύσεις για την ανθρωπότητα μέσω της έρευνας στην καθαρή ενέργεια, έναν υγιή πλανήτη και την επιστήμη των ανακαλύψεων. Ιδρύθηκε το 1931 με την πεποίθηση ότι τα μεγαλύτερα προβλήματα αντιμετωπίζονται καλύτερα από τις ομάδες, το Berkeley Lab και οι επιστήμονές του έχουν αναγνωριστεί με 16 βραβεία Νόμπελ. Ερευνητές από όλο τον κόσμο βασίζονται στις παγκόσμιας κλάσης επιστημονικές εγκαταστάσεις του εργαστηρίου για τη δική τους πρωτοποριακή έρευνα. Το Berkeley Lab είναι ένα εθνικό εργαστήριο πολλαπλών προγραμμάτων που διαχειρίζεται το Πανεπιστήμιο της Καλιφόρνιας για το Γραφείο Επιστημών του Υπουργείου Ενέργειας των ΗΠΑ.
Το Γραφείο Επιστημών του DOE είναι ο μεγαλύτερος υποστηρικτής της βασικής έρευνας στις φυσικές επιστήμες στις Ηνωμένες Πολιτείες και εργάζεται για την αντιμετώπιση μερικών από τις πιο πιεστικές προκλήσεις της εποχής μας. Για περισσότερες πληροφορίες, επισκεφθείτε energy.gov/science.
Info photo: Μια απεικόνιση που δείχνει πώς η χρήση τεχνητής νοημοσύνης και αυτοματισμού θα μπορούσε να επιταχύνει σημαντικά τον αγωγό έρευνας και ανάπτυξης (κάτω βέλος) σε σύγκριση με τις τρέχουσες εξαιρετικά επαναληπτικές και εντατικές διαδικασίες (πάνω βέλος). Για παράδειγμα, χρειάστηκαν 575 άτομα-έτη εργασίας για να δημιουργηθεί μια βιώσιμη, βιολογική οδός παραγωγής για μια ευρέως χρησιμοποιούμενη χημική ουσία που ονομάζεται 1,3-προπανοδιόλη. (Προσφορά: Jenny Nuss/Berkeley Lab)