基因组尺度代谢网络的可理解主动学习
人工智能
2023-09-04 v2 机器学习
分子网络
定量方法
摘要
合成生物学的一个重要应用是工程化宿主细胞系统以产出有用产品。然而，宿主系统规模的增加导致巨大的设计空间，并需要大量高实验成本的验证试验。对于宿主细胞系统的设计-构建-测试-学习（DBTL）循环，迫切需要一个可理解的机器学习方法，能有效探索假设空间并指导实验设计。我们引入了一种基于归纳逻辑编程（ILP）的新型机器学习框架 ILP-iML1515，该框架执行溯因逻辑推理并从训练样本中主动学习。与数值模型不同，ILP-iML1515 建立在基因组尺度代谢模型的可理解逻辑表示之上，并可通过从营养缺陷型突变体试验中学习新逻辑结构来更新模型。ILP-iML1515 框架 1）允许高通量模拟，2）与随机选择的实验相比，主动选择实验以降低学习基因功能的实验成本。
引用
@article{arxiv.2308.12740,
title = {Human Comprehensible Active Learning of Genome-Scale Metabolic Networks},
author = {Lun Ai and Shi-Shun Liang and Wang-Zhou Dai and Liam Hallett and Stephen H. Muggleton and Geoff S. Baldwin},
journal= {arXiv preprint arXiv:2308.12740},
year = {2023}
}
备注
Invited presentation for AAAI Spring Symposium Series 2023 on Computational Scientific Discovery