Human Comprehensible Active Learning of Genome-Scale Metabolic Networks

要約

合成生物学の重要な応用は、有用な産物を生み出すための宿主細胞系の操作です。
しかし、ホストシステムの規模が大きくなると、設計スペースが膨大になり、多額の実験コストを伴う多数の検証試行が必要になります。
仮説空間を効率的に探索し、実験計画を導く、わかりやすい機械学習アプローチが、宿主細胞システムの設計-構築-テスト-学習(DBTL)サイクルに緊急に必要とされています。
帰納的論理プログラミング (ILP) に基づいた新しい機械学習フレームワーク ILP-iML1515 を紹介します。これは、アブダクティブ論理推論を実行し、トレーニング例から積極的に学習します。
数値モデルとは対照的に、ILP-iML1515 はゲノムスケールの代謝モデルのわかりやすい論理表現に基づいて構築されており、栄養要求性変異体の試験から新しい論理構造を学習することでモデルを更新できます。
ILP-iML1515 フレームワークは、1) 高スループットのシミュレーションを可能にし、2) ランダムに選択された実験と比較して遺伝子機能学習の実験コストを削減する実験を積極的に選択します。

要約(オリジナル)

An important application of Synthetic Biology is the engineering of the host cell system to yield useful products. However, an increase in the scale of the host system leads to huge design space and requires a large number of validation trials with high experimental costs. A comprehensible machine learning approach that efficiently explores the hypothesis space and guides experimental design is urgently needed for the Design-Build-Test-Learn (DBTL) cycle of the host cell system. We introduce a novel machine learning framework ILP-iML1515 based on Inductive Logic Programming (ILP) that performs abductive logical reasoning and actively learns from training examples. In contrast to numerical models, ILP-iML1515 is built on comprehensible logical representations of a genome-scale metabolic model and can update the model by learning new logical structures from auxotrophic mutant trials. The ILP-iML1515 framework 1) allows high-throughput simulations and 2) actively selects experiments that reduce the experimental cost of learning gene functions in comparison to randomly selected experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google