科学家利用机器学习优化生物杂交射线开发

快速阅读: 据《科学日报》最新报道，由哈佛大学和NTT研究的团队，在《科学机器人》杂志上发表了一篇题为“仿生设计：组织工程鳐鱼中的机器学习”的论文。他们利用机器学习定向优化（机器学习-DO），解决了生物混合机器人开发中的关键问题：如何在保持自然尺度定律的情况下选择鳍几何形状以适应新的工作环境。该方法不仅提高了计算效率，还构建了能自主游泳并展示更高游泳效率的生物混合迷你鳐鱼。这项研究有望推动生物混合机器人的发展，用于远程传感器和治疗递送等领域。

由哈佛大学工程与应用科学学院（哈佛SEAS）的博士后研究员约翰·齐默尔曼领导的团队，包括NTT研究医疗和健康信息学科学家石井龙马、哈佛大学工程与应用科学学院塔尔家族生物工程与应用物理学教授凯文·帕克，以及帕克领导的哈佛大学工程与应用科学学院疾病生物物理小组成员，在《科学机器人》上发表的一篇新论文中展示了这项研究。论文标题为“仿生设计：组织工程鳐鱼中的机器学习”。

“这项研究旨在回答生物混合机器人开发中的一个基本问题：如何在保持自然尺度定律的情况下选择鳍几何形状以适应新的工作环境？”石井龙马说，他同时也是哈佛大学的访问科学家。“我们的研究发现，受蛋白质工程启发的机器学习定向优化（机器学习-DO）提供了一种更高效且计算量更少的自动化创建肌肉结构功能关系的方法。”

仿生方法的局限性

在仿生设计中，传统方法是通过复制现有生物结构来形成功能性设备。然而，这种方法存在局限。例如，对于像鳐鱼这样的生物混合生命体，它们具有各种自然纵横比和鳍形态。你需要模仿哪种？此外，仿生学可能会忽略自然生物力学和流体力学力量，这些力量决定了生物体根据其大小和身体动力学可以游多快，从而导致肌肉质量低效和游泳速度有限。

因此，本研究的核心问题变成了：如何在保持自然尺度定律的情况下选择鳍几何形状以适应新的工作环境？

机器学习的设计突破

由于问题的跨学科和迭代性质，需要进行大量的计算建模，但团队相信机器学习（机器学习-DO）的定向优化将能够有效地搜索最大化相对游泳速度的鳍设计。他们基于部分试验函数假设，该函数显示机器学习-DO在识别已知高排名序列方面比其他领先方法提高了约40%。验证这一假设包括三个步骤：1）开发表达多种不同鳍几何形状的算法；2）描述在大不连续配置空间内搜索的通用机器学习-DO方法；3）使用此方法识别适合高性能游泳的光滑有序流动的生物混合鳍几何形状。

机器学习-DO驱动的结果包括对鳍结构功能关系的定量探索，以及开放海域鳐鱼形态的一般趋势重建，还包括一个获胜设计：具有大纵横比和细尖端的鳍，这些鳍在多个长度尺度上的游泳中保持了其效用。

基于此，团队使用工程心脏肌肉组织构建了生物混合迷你鳐鱼，能够在毫米长度尺度上自主游泳，并展示了大约两倍于先前仿生设计观察到的游泳效率。

展望未来

尽管前景看好，研究人员指出，还需要更多工作才能完全符合自然尺度定律。虽然本研究中展示的装置比其他近期仿生设计更有效率，但平均而言仍略低于自然存在的海洋生物。未来，研究人员希望继续开发用于远程传感器、危险工作环境探针和治疗递送车辆等用途的生物混合机器人。

研究人员相信，机器学习-DO指导的方法更好地模拟了进化的选择压力，使他们能够更好地理解生物组织是如何形成的——无论是健康生理还是疾病的非适应性病理生理。此外，这项研究推进了对3D器官生物制造的理解，如生物混合心脏。

“两年前，哈佛生物物理小组与NTT研究达成联合研究协议，旨在从根本上审视我们对心脏生理学的理解，着眼于推动生物混合设备的发展，包括生物混合机器人和生物混合人类心脏。”帕克说。“这篇论文表明了我们共享研究迄今取得的积极进展，我期待看到我们合作的未来。”

2022年，NTT研究和哈佛大学工程与应用科学学院宣布了一项为期三年的联合研究协议，旨在工程化人类心脏模型，研究肌肉泵的基本规律，并将共同研究成果应用于心血管生物数字孪生模型的开发。

(以上内容均由Ai生成)