基于溯因元解释学习的自动化生物设计工程
人工智能
2021-05-18 v1 机器学习
摘要
人工智能(AI)在合成生物学中的应用将为构建高通量自动化遗传设计平台奠定基础,其中学习机器通过设计-构建-测试-学习(DBTL)循环迭代优化系统。然而,以深度学习为代表的主流机器学习技术缺乏表示关系知识的能力,且需要海量标注训练数据。这些缺陷严重限制了AI在合成生物学中的作用,因为该领域的实验本质上耗费资源且耗时。本工作中,我们提出一种由溯因元解释学习()赋能的自动化生物设计工程框架;是一种结合符号与亚符号机器学习的新型机器学习方法,通过使学习机器能够 1) 利用领域知识并学习由一阶逻辑等形式语言表示的可被人理解模型;2) 同时优化模型结构与参数以做出准确数值预测;3) 通过主动生成假设与样例降低实验成本与数据标注工作量,来进一步增强DBTL循环。为验证的有效性,我们建模了一个合成数据集,用于描述微生物宿主中三基因操纵子生产蛋白质的过程,这代表了一个常见的合成生物学问题。
引用
@article{arxiv.2105.07758,
title = {Automated Biodesign Engineering by Abductive Meta-Interpretive Learning},
author = {Wang-Zhou Dai and Liam Hallett and Stephen H. Muggleton and Geoff S. Baldwin},
journal= {arXiv preprint arXiv:2105.07758},
year = {2021}
}
备注
Accepted by SSS-21 (AAAI Spring Symposium Series 2021), Artificial Intelligence for Synthetic Biology (AI4Synbio) track