Գաղութ առաջացնող միավորների հաշվարկ. արհեստական բանականության կիրառման դեպք կենսագիտության մեջ
Կենսագիտությունը իդեալական փորձադաշտ է եզրային (edge) արհեստական բանականության համար։ Սա ցույց տալու համար մենք վերցրինք շատ տարածված մի խնդիր՝ ագարային ափսեի ինկուբացիայից հետո բակտերիաների գաղութների հաշվարկը։ Այս գրառման մեջ նկարագրում ենք մեր պարզ փորձը և կիսվում դրա մի քանի արդյունքներով։
Ներածություն
Այսօր դժվար է գերագնահատել, թե որքան մեծ ներդրում ունեն մեքենայական ուսուցումը (ML) և արհեստական բանականությունը (AI) գիտական հետազոտություններում։ Հիմա ակտիվորեն ուսումնասիրվում են բազմաթիվ նոր գաղափարներ՝ ML մոդելներն ավելի ճշգրիտ, ավելի կայուն և օգտագործման համար ավելի հեշտ դարձնելու նպատակով։ ML մեթոդներն ու տեխնիկաները առանձին գիտական ոլորտների կոնկրետ կարիքներին հարմարեցնելը ժամանակ է պահանջում, և հետազոտական շատ թիմեր շահագրգռված են դա անելու մեջ։ Որպես հետազոտողներ՝ մենք կարող ենք օգտվել AI-ի ամենաարմատական նորամուծություններից, որպեսզի ավտոմատացնենք ձանձրալի, կրկնվող աշխատանքը, մշակենք շատ ավելի մեծ ծավալի տվյալներ և նվաճենք ավելի հավակնոտ նպատակներ։
Մեզ սխալ չհասկանաք։ ML-ը գիտական աշխարհում ամենևին նորեկ չէ։ Փոխվել է այն, որ այն այժմ ավելի հեշտ է լիարժեք օգտագործել։ Դրա համար պետք է շնորհակալ լինել բաց կոդով ծրագրային գրադարանների լայն ընտրությանը, հանրությանը հասանելի ուսուցման տվյալների հավաքածուներին, հիանալի փաստաթղթավորմանը և, առաջին հերթին, ML մոդելի արդյունքը բացատրելու հնարավորությանը։
Մեզ նման հետազոտողներն ավելի ու ավելի լավ են տիրապետում տեղեկատվական տեխնոլոգիաներին։ Նրանցից շատերը կարող են լավ կոդ գրել։ Արդյունքում համակարգչային օժանդակությամբ տվյալների վերլուծությունը յուրացնելն այժմ հասանելի է հետազոտական ավելի շատ խմբերի։ Կոդն ու ծրագրավորումն այլևս խոչընդոտ չեն հետաքրքիր հետազոտություն կատարելու համար։
ML-ն հսկայական ներուժ ունի որպես օգնական առօրյա գիտական աշխատանքում։ Հավանաբար դուք արդեն օգտվում եք տվյալներից սովորելու վրա հիմնված բարդ համակարգերից։ Սա ավելի հեշտ է դառնում այն սարքավորումների չափերի փոքրացման շնորհիվ, որոնք կարող են աշխատեցնել ML մոդելներ։ Առկա տարբերակներից հատկապես հետաքրքիր են փոքր սարքերը, օրինակ՝ միկրոկոնտրոլերները։
Համակարգչային տեսողությունը (CV) կատարյալ օրինակ է։ Լուցկու տուփից չգերազանցող չափերի տախտակի վրա նույնիսկ բարդ տեսողական մոդել աշխատեցնելու հնարավորությունը բացում է բազմաթիվ հետաքրքիր հնարավորություններ։ Եթե սրան ավելացնենք հեշտությամբ ձեռք բերվող սարքային բաղադրիչները, DIY հիանալի համայնքների աջակցությունը, որոնք սիրով կիսվում են իրենց գիտելիքներով, և մատչելի ծրագրավորման էկոհամակարգերը, հետազոտողները ստանում են ամեն ինչ, ինչ անհրաժեշտ է բարդ նախատիպավորման հարթակ կառուցելու համար։
Կենսագիտությունը իդեալական փորձադաշտ է եզրային (edge) արհեստական բանականության համար։ Սա ցույց տալու համար մենք վերցրինք շատ տարածված մի խնդիր՝ ագարային ափսեի ինկուբացիայից հետո բակտերիաների գաղութների հաշվարկը։ Այս գրառման մեջ նկարագրում ենք մեր պարզ փորձը և կիսվում դրա մի քանի արդյունքներով։ Կգտնեք նաև համառոտ քննարկման բաժին։
Ուրեմն վերցրեք սուրճ, մի քանի Պետրիի թասիկ և մի միկրոկոնտրոլեր։ Գիտության համար հիանալի օր է։
Այս գրառումը գրել է եղբոր և քրոջ հիանալի մի զույգ՝ ասիստենտ պրոֆեսոր և գործընկեր հետազոտող, երկուսն էլ Ph.D. աստիճանով, իրենց հմուտ երիտասարդ օգնականների աջակցությամբ։
Բակտերիաների քանակի հաշվարկ
Աղյուսակ 1. Պինդ սննդամիջավայրերի տեսակները։
Ով որ պրոբիոտիկ ըմպելիք է գնել, հավանաբար նկատել է պիտակի վրա «CFU» գրառումը։ Գաղութ առաջացնող միավորների (CFU) հաշվարկը բակտերիալ բջիջների քանակը որոշելու սովորաբար կիրառվող ոսկե ստանդարտ մեթոդն է։ CFU-ն պարզապես բակտերիաների, սնկերի կամ խմորասնկերի մեկ գաղութ է, և քանակը կարող է տրվել ըստ ուսումնասիրվող մակերեսի կամ ծավալի՝ կախված փորձի նպատակից։ Մեր դեպքում մենք չափում էինք, թե որքան աղտոտված են առօրյա տարբեր առարկաներ։ Մենք պարզապես ընտրված առարկան սեղմում էինք պինդ սննդամիջավայրի մակերեսին՝ այն մեղմ պահելով մոտ 10 վայրկյան։ Ափսեի մակերեսը հաշվարկի համար կտավի դեր է կատարում։ 25°C–30°C (77°F–86°F) ջերմաստիճանում 24–36 ժամ ինկուբացիայից հետո հայտնվում են գաղութներ, որոնք տարբերվում են չափսով, ձևով և գույնով, այսինքն՝ իրենց մորֆոլոգիայով։
Նկ. 1. Բակտերիալ գաղութները ինկուբացիայից հետո՝ վերևի ձախ անկյունից. մատնահետք, մետաղադրամ, բջջային հեռախոս, օդի նմուշ։
Պլանավորում
Մեր փորձը պլանավորված էր մի քանի փուլով, որոնք բաղկացած էին հետևյալ խնդիրներից.
- Կառուցել Do-It-Yourself մոնիթորինգի հարթակ Arduino-ի և Raspberry Pi-ի վրա. այս քայլը պահանջեց բավական շատ սարքային լարագործություն և հավելանյութային արտադրություն։
- Պատրաստել ագարային ափսեներ և աճեցնել տարբեր տեսակի բակտերիաներ. բակտերիաների նմուշները մենք հավաքեցինք սովորական կենցաղային առարկաներից։ Նուրբ նյարդերով մարդկանց համար չէ 😅։
- Հավաքել և պիտակավորել ուսուցման տվյալները. լուսանկարելը և բակտերիալ կուտակումները նշագրելը ընթացան առանց խոչընդոտների և, մեր զարմանքին, շատ ժամանակ չխլեցին։
- Վարժեցնել մեքենայական ուսուցման օբյեկտների հայտնաբերման մոդել և թեստավորել այն։
- Կառուցել տվյալների վերլուծության շերտ. մենք իսկապես ուզում էինք ցույց տալ, թե ինչպես կարելի է օբյեկտների հայտնաբերման արդյունքը օգտագործել հետազոտական գործընթացի հաջորդ քայլերում։
- Վերլուծել բակտերիաների աճը՝ օգտագործելով պատկերների ժամանակային շարքեր. սա շատ ժամանակ խլեց, բայց փորձի շահեկան մասն էր։
- Պատրաստել տեսանյութ՝ մեր գտածոները ցուցադրելու համար։

Նկ. 2. Մեր փորձի պլանը։
Մեթոդներ
Մոնիթորինգի սարք
Մենք 3D տպագրության մեծ երկրպագուներ ենք՝ արագ նախատիպավորման համար։ Մի քանի իտերացիայից հետո որպես մոնիթորինգի սարք կանգ առանք պարզ կիսաթափանցիկ տարայի վրա։ Այն հեշտ էր պահել և թույլ էր տալիս փորձարկել ցրված լույսի տարբեր աղբյուրներ՝ տեսախցիկի սենսորին հնարավոր լավագույն պայմաններ ապահովելու համար։ Մի քանի փորված անցք օդը շրջանառության մեջ էր պահում, իսկ բակտերիաները՝ աճող։
Ամուր կափարիչը ծածկում էր միկրոկոնտրոլերն ու տեսախցիկը։ Կափարիչն ավելի ամուր դարձնելու համար այն տպեցինք գրաֆենային թելով։ Առկա տեսողական մոդուլներից լավագույն տարբերակներ ստացվեցին Arduino Portenta-ն՝ LoRa vision shield-ի հետ, և հուսալի Raspberry Pi-ը տեսախցիկով, քանի որ դրանք փոքր են, բայց բավականաչափ հզոր՝ մեքենայական տեսողության մոդել աշխատեցնելու համար։ Մենք օգտագործեցինք երկու տարբեր սենսոր՝ պարզելու համար, թե որ մոտեցումը ավելի լավ կաշխատի լայնամասշտաբ փորձում։
Նկ. 3a. Մոնիթորինգի սարքը՝ Arduino Portenta։
Նկ. 3b. Մոնիթորինգի սարքը՝ Raspberry Pi։
Տվյալների հավաքում և նախամշակում
Նկ. 4. Ինչպես էին տվյալները պատրաստվում։
Նմուշների պատրաստումն ու տվյալների հավաքումը պարզ էին։ Բակտերիաները փոխանցում էինք ընտրված սննդամիջավայրին՝ առարկան ագարային ափսեին սեղմելով։ Երբեմն օգտագործում էինք հենց առարկան։ Այլ դեպքերում առարկան սրբում էինք բամբակե փայտիկով և բակտերիաները փոխանցում սննդամիջավայրին այդ կերպ։ Հետո Պետրիի թասիկները դնում էինք մեր մոնիթորինգի տարաների մեջ։
Աղյուսակ 2. Տվյալների հավաքածուի նկարագրությունը։ Ad 1. Հավաքված է իմ դստեր ձեռքերից մանկապարտեզում անցկացրած օրվանից հետո՝ 100% կենսավտանգավոր 😆
Սարքերը կարգավորված էին յուրաքանչյուր 5 րոպեն մեկ լուսանկար անելու և այն պահոց վերբեռնելու համար։ Ardunio տարան գրանցում էր 320px x 320px մոխրագույն երանգների պատկերներ։ Rasberry Pi-ով արված RGB պատկերների լուծաչափը 2048px x 2048px էր։
Տնային լաբորատորիայում աշխատելը թույլ տվեց ջերմաստիճանն ու խոնավությունը կայուն պահել։ Տարաների ներսում ճիշտ լուսավորություն ստանալու համար անհրաժեշտ էին լրացուցիչ կարգավորումներ։ Ներկառուցված լույսի աղբյուրների և առանց ստվերի լուսանկարչական վրանի համադրությունը լուծեց խնդիրը։ Սա պետք է հիշել տարայի հաջորդ տարբերակի համար։
Տվյալներ հավաքելու ընթացքում մենք աստիճանաբար հեռացնում էինք ավելի հին նմուշները՝ դրանք սպիտակեցնողով ծածկելով։ Հաջորդական նմուշների նկարահանումների միջև մենք ախտահանում էինք և՛ տարան, և՛ լաբորատորիան UV լամպով։
Երբ բոլոր նմուշները հավաքվեցին, մենք նախամշակեցինք տվյալները՝ մեքենայական ուսուցման փուլին հարմարեցնելու համար։ Նախ պատկերները կտրեցինք ֆիքսված չափի շրջանով, որպեսզի մնա միայն աշխատանքային տարածքը։ Հետո RGB պատկերները դարձրինք մոխրագույն երանգների։ Գունային տեղեկատվությունը այս փորձում պետք չէ, և այն հեռացնելը մոդելը պարզ է պահում։
Վերջում մենք ստացանք երկու առանձին տվյալների հավաքածու՝ Raspberry Pi-ից բարձր լուծաչափով ժամանակային նկարահանումներ (time-lapse) և Arduino Portenta-ից ցածր լուծաչափով մոխրագույն երանգների նկարահանումներ։
Օգտագործելով նշագրման ծրագիր՝ մենք նաև օբյեկտների նշիչներ (կետեր) տեղադրեցինք։ Սկսեցինք հնարավոր ամենահիմնական սցենարից՝ նշելով միայն բակտերիալ կուտակումները և չփորձելով տարբերակել կոնկրետ տեսակներ կամ սեռեր։ Դա կարող է սպասել ավելի խորը հետազոտության, որը հիմնված կլինի մանրադիտակային վերլուծության և սպեկտրալ տեսախցիկի վրա։
Մոդել
Ներկառուցված սարքի համար մեքենայական ուսուցման մոդելի վարժեցումը նախագծի այն փուլն էր, որտեղ կատարվում էր հրաշքը։ Բարեբախտաբար, լավ մշակված տվյալների հավաքածուի և նվիրված հարթակի դեպքում մոդելի նախագծումն ու տեղակայումը հեշտ է։ Կարելի է կամ ընտրել պատրաստի մոդել, որ առաջարկում են բազմաթիվ մատակարարներից որևէ մեկը, կամ կառուցել սեփականը։ Երկրորդ ճանապարհն ես կառաջարկեի միայն նրանց, ովքեր TensorFlow-ին կամ PyTorch-ին իսկապես շատ լավ են տիրապետում։
Մենք բակտերիալ շտամի դասակարգումը դիտարկեցինք որպես օբյեկտների հայտնաբերման և ինստանսների սեգմենտավորման համակարգչային տեսողության խնդիրներ։

Նկ. 5. Մոդելի ճարտարապետությունը։
Օբյեկտների հայտնաբերման մոդելները պատկերի այն տարածքներն են գտնում, որոնք համապատասխանում են առարկաների որոշակի դասերի, ինչը նրանց դարձնում է հիանալի հաշվարկի համար։ Բակտերիալ գաղութները, իհարկե, հստակ սահմանված օբյեկտներ չեն։ Դրանք ավելի շատ անձև նյութի են նման, քան առարկաների, որը մենք պետք է գտնենք և նշագրենք։ Այդ պատճառով մենք ընտրեցինք կետերի հայտնաբերման մոդել, որը հայտնաբերման ժամանակ օգտագործում է ջերմային քարտեզներ (heat maps) սովորական սահմանափակող շրջանակների (bounding boxes) փոխարեն։ Մենք փորձեցինք երկու մոտեցում. առաջինը՝ Arduino Portenta-ի մոխրագույն երանգների պատկերների վրա, երկրորդը՝ Raspberry Pi-ով արված RGB պատկերների վրա։
Ի դեպ, այսքան պարզ խնդրի համար ML մոդելը խիստ անհրաժեշտ չէ։ Բավարար լավ արդյունքներ կարելի էր ստանալ՝ պատկերը ճիշտ շեմավորելով (thresholding) և watershed ալգորիթմ աշխատեցնելով, կամ պարզ blob detection-ով։
Այնուամենայնիվ, փորձարկելիս մի քանի ալգորիթմ թեստավորելը միշտ խելամիտ գաղափար է։
Արդյունքներ
Անկեղծ ասած, Arduino Portenta-ի պատկերները տպավորիչ ձախողում էին։ Որոշ արդյունքներ ստացանք, բայց քանի որ պատկերի լուծաչափը (320px x 320px) չափազանց ցածր էր, մոդելը նկատեց միայն ամենախոշոր օբյեկտները, որոնք հայտնվում էին ինկուբացիայի կեսին։ Vision shield սենսորը պարզապես նախատեսված չէ այսպիսի օգտագործման համար։ Մենք սպասում էինք այս հնարավորությանը, և հիմա հաստատ գիտենք, որ պետք է այլ բնութագրերով սարք։ Փորձը հաջողությամբ ձախողվեց 🙂
Բարեբախտաբար, Rasberry Pi-ի պատկերները բավականաչափ բարձր որակի էին հայտնաբերման գործընթացի համար։ Փորձնական նմուշներից մեկը անցկացրինք ալգորիթմով. արդյունքը դեռ որոշ չափով աղմկոտ է, բայց շատ ավելի արագ, քան յուրաքանչյուր օրինակը ձեռքով հաշվելը։ Այդ աղմուկի մեծ մասը կարելի կլիներ վերացնել՝ կառուցելով ավելի քիչ փոշոտվող մոնիթորինգի սարք՝ խոնավությունը հեռացնելու լրացուցիչ մեխանիզմով։
Քննարկում
Ինչպե՞ս կարող է մեքենայական ուսուցումն օգնել կենսագիտությանը
Մեքենայական ուսուցումն արդեն ցույց է տվել, որ արդյունաբերության շատ ճյուղերում խնդիրներ լուծելու շատ խոստումնալից միջոց է, և միայն համեմատաբար վերջերս է սկսել թափանցել կենսագիտություն՝ առաջարկելով կենսաբանական տվյալները ուսումնասիրելու և դասակարգելու հզոր միջոց [^1,2,3]։ Կենսագիտության ոլորտը կայուն օգուտ է քաղում արհեստական բանականությունն ու մեքենայական ուսուցումը իր հետազոտական օրակարգերում ներառելուց, մասնավորապես գենոմիկայում, քիմիայում, կենսաֆիզիկայում, մանրադիտակագիտության մեջ, բժշկական վերլուծության և շատ այլ ոլորտներում։ Այն օրեցօր ավելի կարևոր է դառնում առողջապահության մեջ, օրինակ՝ քաղցկեղի հետազոտության, ուղեղի բջիջների ուսումնասիրության և թերապևտիկ միջոցների մշակման մեջ։ Բազմաթիվ հետազոտություններ ցույց են տալիս, որ մեքենայական ուսուցման ալգորիթմները տվյալներն ուսումնասիրում են այնպես, ինչպես մարդիկ չեն կարող, և կարող են նկատել առանձնահատկություններ, որոնք այլ կերպ անհնար կլիներ նկատել, օրինակ՝ բջջային պատկերները դասակարգելիս կամ գենոմային կապեր գտնելիս [^1,3,4]։ Մեքենայական ուսուցման գործիքները արագ զարգանում են, և դրանցից օգտվելու կամ դրանց ողջ ներուժն օգտագործելու համար կենսագիտական լաբորատորիաներին շուտով անհրաժեշտ կլինեն հատուկ հաշվողական փորձառություն, գործընկերություններ կամ երկուսն էլ։
Մեքենայական ուսուցման սահմանափակումները
Թեև մեքենայական ուսուցումը գիտության համար բեկում է խոստանում, այն ունի որոշ սահմանափակումներ, որոնք արժե նշել.
- Լայնամասշտաբ, բարձրորակ տվյալների պակաս. ինչպե՞ս վարժեցնել մոդելը ավելի քիչ տվյալներով, ինչը կենսագիտության մեջ հաճախ հանդիպող իրավիճակ է.
- Տվյալների որակ. մոդելը այնքան լավն է, որքան տվյալները, որոնցով այն սնվում է.
- Ճշգրիտ ալգորիթմի և կենսաբանորեն բացատրելի արդյունքի միջև հավասարակշռություն գտնելը դեռ դժվար է.
- Առողջ, կենսաբանորեն իմաստալից դատողության բացակայություն. համակարգիչները չեն կարող լիովին փոխարինել գիտնականներին [^1,5]։
Ամփոփում
Ինքնին հասկանալի է, որ մենք իսկապես վայելեցինք այս նախագիծը։ Փորձի պլանավորում, մոնիթորինգի սարքի նախագծում և հավաքում, բակտերիաների աճեցում և մեքենայական ուսուցման մոդելի վարժեցում. այս ամենը՝ մեկ կարճ կենսագիտական նախագծում։
Առաջին հերթին մենք սովորեցինք, թե ինչպես կարելի է մեքենայական ուսուցումը կիրառել նույնիսկ ամենավայրի սցենարներում։ Ինչպես հավանաբար տեսաք, ներկառուցված արհեստական բանականությունն ունի բազմաթիվ կիրառություններ։ Բակտերիալ գաղութների հաշվարկը միայն սկիզբն է։
Գուցե հետաքրքրվեք, թե հետագայում ինչ ենք անելու մեր տվյալների հետ։ Մենք մտադիր ենք մեծացնել տվյալների հավաքածուն։ Ինկուբացիան շատ աշխատանք է։ Գուցե ավելացնենք մանրադիտակային պատկերներ և փորձենք բազմամոդալ մոտեցում։ Ո՞վ գիտի։ 🙂 Անպայման կպատմենք, երբ հավաքածուն հրապարակենք հանրությանը։
Մեզ պետք է նաև մեր սարքի նոր տարբերակ։ Առկա սարքը լավ է աշխատում, բայց կարող է միանգամից մշակել միայն մեկ նմուշ։
Շնորհակալություն կարդալու համար, և հաջողություն ձեր սեփական փորձերում։
Գրականություն
[^1] Webb S. (2018) Deep learning for biology. Nature 554, 555-557.
[^2] Pugliese R. և այլք (2021) Machine learning-based approach: global trends, research directions, and regulatory standpoints. Data Science and Management 4, 19-29. (անգլ.)
[^3] Bajorath J. (2022) Artificial intelligence in interdisciplinary life science and drug discovery research. Future Science OA 8, FSO792. (անգլ.)
[^4] Ghosh, S., Dasgupta, R. (2022). A Brief Overview of Applications of Machine Learning in Life Sciences. In: Machine Learning in Biological Sciences. Springer. (անգլ.)
[^5] Ching T. և այլք (2018) Opportunities and obstacles for deep learning in biology and medicine. Journal of the Royal Society Interface 15, 20170387. (անգլ.)