机器学习正在改变生物科学和工业的所有领域，但通常仅限于少数用户和场景。由Tobias Erb领导的马克斯·普朗克陆地微生物研究所的一组研究人员开发了METIS，这是一个用于优化生物系统的模块化软件系统。研究团队通过各种生物示例证明了其可用性和多功能性。
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，但今天机器学习已在生物学的所有领域变得有用。然而，显而易见的是，算法的应用和改进，即由指令列表组成的计算程序，并不容易访问。它们不仅受到编程技能的限制，而且往往还缺乏实验标记的数据。在计算和实验工作的交叉点上，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，由托拜厄斯·埃尔布领导的马克斯·普朗克陆地微生物研究所的一个团队已经成功地实现了机器学习的民主化。在最近出版的《自然通信》杂志上，该团队与巴黎INRAe研究所的合作伙伴共同介绍了他们的工具METIS。该应用程序构建在这样一个多功能和模块化架构中，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。METIS是机器学习引导的系统改进实验的简称，也是以古代智慧和手工艺女神的名字命名的螠峥喯勎瓜? 或“明智的建议”
所需数据更少
主动学习，也称为最优实验设计，使用机器学习算法在根据以前的结果进行训练后，以交互方式建议下一组实验，这对于湿实验室科学家来说是一种很有价值的方法，尤其是在处理有限数量的实验标记数据时。但主要瓶颈之一是实验室中生成的实验标记数据，这些数据通常不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，我们发现了一种对数据依赖更少的模型，”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，该团队将其用于多种应用，包括蛋白质生产的优化、基因构建、酶活性的组合工程和一个名为CETCH的复杂CO2固定代谢循环。对于CETCH循环，他们探索了1025种条件的组合空间，只有1000种实验条件，并报告了迄今为止描述的最有效的CO2固定级联。
优化生物系统
在应用方面，这项研究提供了新的工具，使生物技术、合成生物学、基因电路设计和代谢工程领域的当前工作民主化并向前推进。该研究的联合首席作者克里斯托夫·迪尔（ChristophDiehl）说：“METIS使研究人员能够优化他们已经发现或合成的生物系统。”。“但它也是理解复杂交互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，用于原型化新的自然系统。”
METIS是一个模块化工具，与Google Colab Python笔记本电脑一样运行，可以在web浏览器上通过笔记本电脑的个人副本使用，无需安装、注册或需要本地计算能力。本文提供的材料可以指导用户为其应用程序定制METIS。