Um sistema de inteligência artificial permite que os robôs conduzam experimentos científicos autônomos – até 10.000 por dia – potencialmente conduzindo um salto drástico no ritmo de descoberta em áreas da medicina à agricultura e à ciência ambiental.

O professor Paul Jensen (segundo à direita) e os alunos de pós-graduação (da esquerda) Deepthi Suresh, Noelle Toong e Benjamin David examinam seu robô realizando experimentos automatizados. Foto de Marcin Szczepanski/Michigan Engineering
Um sistema de inteligência artificial permite que os robôs conduzam experimentos científicos autônomos – até 10.000 por dia – potencialmente conduzindo um salto drástico no ritmo de descoberta em áreas da medicina à agricultura e à ciência ambiental.
Relatado hoje na Nature Microbiology , a pesquisa foi liderada por um professor agora na Universidade de Michigan.
Essa plataforma de inteligência artificial , apelidada de BacterAI, mapeou o metabolismo de dois micróbios associados à saúde bucal – sem nenhuma informação básica para começar. As bactérias consomem alguma combinação dos 20 aminoácidos necessários para sustentar a vida, mas cada espécie requer nutrientes específicos para crescer. A equipe da UM queria saber quais aminoácidos são necessários para os micróbios benéficos em nossas bocas para que possam promover seu crescimento.
"Não sabemos quase nada sobre a maioria das bactérias que influenciam nossa saúde. Compreender como as bactérias crescem é o primeiro passo para a reengenharia de nosso microbioma", disse Paul Jensen, professor assistente de engenharia biomédica da UM que estava na Universidade de Illinois quando o projeto começou. .
Descobrir a combinação de aminoácidos que as bactérias gostam é complicado, no entanto. Esses 20 aminoácidos produzem mais de um milhão de combinações possíveis, apenas com base na presença ou não de cada aminoácido. Ainda BacterAI foi capaz de descobrir os requisitos de aminoácidos para o crescimento de Streptococcus gordonii e Streptococcus sanguinis.
Para encontrar a fórmula certa para cada espécie, a BacterAI testou centenas de combinações de aminoácidos por dia, aprimorando seu foco e alterando as combinações todas as manhãs com base nos resultados do dia anterior. Em nove dias, estava produzindo previsões precisas 90% das vezes.
Ao contrário das abordagens convencionais que alimentam conjuntos de dados rotulados em um modelo de aprendizado de máquina , o BacterAI cria seu próprio conjunto de dados por meio de uma série de experimentos. Ao analisar os resultados de testes anteriores, ele apresenta previsões de quais novos experimentos podem fornecer mais informações. Como resultado, descobriu a maioria das regras para alimentar bactérias com menos de 4.000 experimentos.
"Quando uma criança aprende a andar, ela não apenas observa os adultos andando e depois diz 'Ok, entendi', levanta-se e começa a andar. Ela se atrapalha e faz algumas tentativas e erros primeiro", disse Jensen.
"Queríamos que nosso agente de IA tomasse medidas e caísse, apresentasse suas próprias ideias e cometesse erros. A cada dia, fica um pouco melhor, um pouco mais inteligente."
Pouca ou nenhuma pesquisa foi realizada em cerca de 90% das bactérias, e a quantidade de tempo e recursos necessários para aprender até mesmo informações científicas básicas sobre elas usando métodos convencionais é assustadora. A experimentação automatizada pode acelerar drasticamente essas descobertas. A equipe realizou até 10.000 experimentos em um único dia.
Mas as aplicações vão além da microbiologia. Pesquisadores em qualquer campo podem criar perguntas como quebra-cabeças para a IA resolver por meio desse tipo de tentativa e erro.
“Com a recente explosão da IA ??mainstream nos últimos meses, muitas pessoas estão incertas sobre o que isso trará no futuro, tanto positivo quanto negativo”, disse Adam Dama, ex-engenheiro do Jensen Lab e principal autor do estudo. . “Mas, para mim, está muito claro que aplicações focadas de IA como nosso projeto irão acelerar a pesquisa diária”.
Mais informações: Adam C. Dama et al, BacterAI mapeia o metabolismo microbiano sem conhecimento prévio, Nature Microbiology (2023). DOI: 10.1038/s41564-023-01376-0
Informações da revista: Nature Microbiology