मशीन लर्निंग सेल कल्चर मीडिया प्रयोगों को ठीक करने और मात्रा निर्धारित करके सेल कल्चर से दवा उत्पादन को बेहतर बनाने में मदद कर सकता है। यह जापान में त्सुकुबा विश्वविद्यालय के शोधकर्ता, बेई-वेन यिंग, पीएचडी का विचार है।
यिंग, जिन्होंने नवंबर में पीईजीएस यूरोप में प्रस्तुति दी थी, का मानना है कि सेल विकास मीडिया को अनुकूलित करने के प्रयोगों को पुन: प्रस्तुत करने की आवश्यकता है। हालाँकि, जीवन विज्ञान में परंपरागत रूप से ऐसा नहीं रहा है।
वह बताती हैं, “जीवविज्ञानियों और जीवन वैज्ञानिकों के लिए, (दवा) उत्पादन को बढ़ावा देने के लिए सेल संस्कृतियों में सुधार करना एक कला है।”
“हम जटिल कारें और रॉकेट बना सकते हैं, लेकिन हम सबसे छोटी कोशिका का उत्पादन भी नहीं कर सकते हैं, और इसलिए-सेल संस्कृति जीवविज्ञानी के लिए, उत्पादकता में सुधार (परंपरागत रूप से) उनके (व्यक्तिगत) ज्ञान और अनुभव पर निर्भर करता है।”
डेटा-संचालित दृष्टिकोण
जैसा कि वह बताती हैं, यह व्यावहारिक दृष्टिकोण समस्याएं पैदा कर सकता है। “मध्यम अनुकूलन में कोई नियम नहीं है। इसीलिए यह एक कला है,” वह बताती हैं।
जबकि, इसके विपरीत, मशीन लर्निंग अनगिनत संभावित संयोजनों में से सबसे अधिक उत्पादक माध्यम खोजने के लिए एक डेटा-संचालित दृष्टिकोण है, वह आगे कहती हैं।
कंप्यूटर विज्ञान से जुड़े प्रयोगों के दौरान किसी भी प्रयोग को हर बार एक ही तरह से मात्रात्मक रूप से किया जाना चाहिए।
यिंग कहते हैं, “आपको डेटा विज्ञान और मशीन लर्निंग का उपयोग करके जैविक प्रयोगों को करने के तरीके को बदलने की ज़रूरत है ताकि यह सुनिश्चित किया जा सके कि वे नियंत्रित और पूर्वानुमानित तरीके से किए जाते हैं।”
मशीन लर्निंग को लागू करने के लिए एल्गोरिदम को विश्लेषण करने के लिए भारी मात्रा में डेटा की आवश्यकता होती है, जिसके लिए रोबोटिक्स की आवश्यकता होती है। यिंग की टीम ने स्वचालित प्लेट रीडर द्वारा एकत्र किए गए डेटा पर मशीन लर्निंग का उपयोग करके एक प्रयोग चलाया। 96-अच्छी तरह से प्लेटों से एकत्र किए गए इन आंकड़ों में विभिन्न संस्कृति स्थितियों के तहत कोशिकाएं शामिल थीं।
वह कहती हैं, बड़े डेटासेट का उपयोग मशीन लर्निंग द्वारा संस्कृति मीडिया स्थितियों की बेहतर पसंद के लिए भविष्यवाणियां करने के लिए किया जा सकता है। उदाहरण के लिए, टीम ने पाया कि कोशिका वृद्धि की गति, कोशिका विभाजन की दर और कोशिकाओं की अधिकतम सांद्रता के बीच एक समझौता था।
“मॉडल आपको बताती है, या तो आपको अधिक कोशिकाओं की आवश्यकता है या उन्हें तेज़ी से बढ़ने की ज़रूरत है – आपके पास दोनों नहीं हो सकते,” वह कहती हैं।
इसके अलावा, वह कहती हैं, मॉडल प्रयोग से पता चलता है कि, तेजी से कोशिका वृद्धि के लिए, सल्फाइड और/या अन्य घटक ग्लूकोज की तुलना में कोशिका फ़ीड के एक घटक के रूप में अधिक महत्वपूर्ण हो सकते हैं।
जैसा कि वह बताती हैं, ये भविष्यवाणियाँ विनिर्माण में सेल उत्पादकता को अनुकूलित और बेहतर बनाने में मदद कर सकती हैं और मशीन लर्निंग के बिना यह संभव नहीं होगा।
“यदि आपने इन अध्ययनों पर काम नहीं किया है,” वह कहती हैं, “आप सोचेंगे कि (कोशिकाओं के लिए) कार्बन स्रोत के रूप में ग्लूकोज सबसे अच्छा है।”
(टैग अनुवाद करने के लिए)विषय(टी)कृत्रिम बुद्धिमत्ता(टी)बायोप्रोसेसिंग(टी)अंतर्दृष्टि(टी)सेल संस्कृति(टी)संस्कृति मीडिया(टी)डेटा विज्ञान(टी)मशीन लर्निंग
