文章图片



文章图片



文章图片


对遗传学家使用的推理机制进行建模和自动化的AI系统可以有助于设计具有成本效益的实验 ， 这些实验可以使用以前的数据来进一步加深我们的理解 。 他们可以解释为什么建议进行给定的实验 。 此外 ， 机器学习技术使我们能够将遗传学家的推理和科学方法形式化并部分自动化 ， 并能够解释系统使用的推理 ， 从而增强我们对这些人工智能系统如何运作的理解 。



有一些仪器可以使大规模测序过程的几乎每一步自动化：分离DNA、克隆或扩增DNA、准备酶促测序反应、纯化DNA ， 以及用荧光标记分离和检测DNA片段以获得DNA序列 。 为满足对基因组测序和分析生物学家日益增长的需求 ， 工程师和科学家一直在共同开发技术 ， 这些技术使生物学的执行和分析方式发生了这场革命 。 尽管自动化是后基因组学向系统方法转变的关键贡献 ， 但使用这些技术的实验室还没有享受到智能自动化和机器人技术的全部优势 。



设计的机器人和工作站高度准确和灵敏 ， 但缺乏人类展示和人工智能研究解决的有用的通用适应性和学习能力 。 每台机器或机械臂的设计都考虑到了一个高度专业化的问题 ， 因此不能应用于其他类似的问题 。 例如 ， 设计用于装载和卸载带有微量滴定板的液体处理器的机械臂不能用于装载和卸载带有载玻片的扫描仪的类似任务 ， 而这种任务泛化对人来说是微不足道的 。 一旦孩子学会了如何将特定形状的物体放入其指定的槽中 ， 只需稍微调整即可将不同形状的物体放入其各自的槽中 。



然而 ， 诸如液体处理机之类的机器人站只能处理其内部和操作对象的特定布局 。 板或管得轻微错位可能导致故障和昂贵的生物材料的潜在损失 。 这导致了分散的“非智能”机器人工作站 ， 它们可能与此类实验室中的其他自动化工作站有效集成 。 尽管在制造可以集成到更大系统中的模块化仪器方面已经付出了很多努力 ， 但在实践中仍然存在不足 。



首先 ， 研究实验室使用不同品牌的仪器是很常见的 。 这意味着即使一种仪器可以具有模块化扩展 ， 也不一定与其他品牌仪器兼容 。 其次 ， 不同的仪器位于不同的房间也是很常见的 。 将材料从一个工作站转移到另一个工作站是人类技术人员的工作 。 我们不建议构建可以承担所有不同任务的智能机器人 。 然而 ， 通常可以在不同工作站之间进行材料转移阶段的通用智能机器人将有助于不同仪器的集成 。



下一个具有挑战性的步骤是如何解释由此产生的大量、嘈杂和复杂的数据 ， 以便将这些新信息反馈给社区 。 任何人都几乎不可能从如此庞大而凌乱的数字表格中提取出微妙的模式 。 智能自动辅助可以帮助理解这一点 。 尤其是数据挖掘、机器学习和模式识别技术为数据分析做出了贡献 。 数据挖掘上下文中的机器学习表示将通用模型拟合或分类算法应用于预测数据挖掘 。

【机器人|机器人和工作站高度准确和灵敏，但缺乏人工智能研究解决的学习能力】