Automated Machine Learning-Assisted Media Optimization

Die Entwicklung von überlegenen mikrobiellen Stämmen und die Optimierung ihrer Kultivierungsbedingungen sind Schlüsselfaktoren für die Gesamtleistung und Wirtschaftlichkeit von industriellen Bioprozessen. Insbesondere muss das Kultivierungsmedium dem Nährstoffbedarf des Produktionsstammes entsprechen.  Aufgrund der hohen Komplexität biologischer Systeme erfordert die Entwicklung optimierter Kultivierungsmedien hohe Datenmengen resultierend aus aufwändigen und teuren Experimenten. Dementsprechend ist es Ziel, sowohl den Datenoutput als auch den Automatisierungsgrad von Experimenten zu maximieren.

Von besonderem Interesse für die Optimierung des Kultivierungsmedium ist die Anwendung von Reinforcement Learning (RL) Algorithmen. Diese bestehen aus einem intelligenten Software-Agenten, welcher wiederholt eine Umwelt beobachtet und in diese eingreift, eine Veränderung hervorruft, und somit einen Zusammenhang zwischen Input- und Output-Parametern erlernt. Für die Optimierung des Kultivierungsmediums wird in dem Forschungsvorhaben ein RL Algorithmus genutzt, um mikrobielles Wachstum oder die Produktbildung zu beobachten und nach einem Kultivierungszyklus eine neue Medienzusammensetzung basierend auf den Erkenntnissen vorzuschlagen. Folglich wird die Software bei einem automatisierten Kultivierungssystem angewandt, welches eine Online-Überwachung der genannten Parameter ermöglicht und automatisiert neue Medien basierend auf den Ergebnissen mischt.

Das Projekt hat nicht nur das Ziel Bioprozesse konkret zu optimieren, sondern auch allgemein die Effizienz der Anwendung von KI Algorithmen auf biologische Systeme zu verbessern. Die entwickelte Plattform soll die Grundlage für weitere zukünftige KI- und Kultivierungs- Forschungsprojekte darstellen, indem automatisierte Experimentdurchführung und -analyse bei einer Vielzahl von Zelltypen, Anwendungen und Forschungsfragen eine Rolle spielen.