上一篇我们的基因体时代-AI, Data和生物资讯 Day08-合成生物学与机器学习分享合成生物学领域跟机器学习的应用，如何使用机器学习的方法来减少实验的次数，增加特定生物反应的效率，这个对於一些新兴分子检验非常重要，如何在复杂的参数间，用更少的实验来达到原先的目标，可以减少支出，又可以提高效率，当然这些是要搭配上实验室的自动化才有办法达到的。

今天持续昨天的来分享另一个也是用机器学习的方法来减少实验所需要的参数，最佳化想要的特定特徵。

Design-Build-Test:合成生物学自动推荐工具(Automated Recommendation Tools)

机器学习的方式其实很适合用来解决复杂系统的预测问题，生物就是一个很好的对象，因为即使是目前研究最透彻的大肠杆菌(一种单细胞原核生物)，其中依旧有令人未解之处。

合成生物学中另一个很重要的概念就是引入工程领域的想法，其中Design-Build-Test是其中最重要的一个思维，也反映了如何进行好的实验设计，但目前最大的问题就如同上一篇所显示的，生物系统往往出乎意料，如何从每次测试中的结果来建立下次的设计，将能把合成生物学更系统化的提升。

ART是由Hector Garcia Martin团队所开发的，他们主要是使用scikit-learn library来建立贝式集合学习(Bayesian Ensembl Learning)，为何不选择深度学习，是因为考虑到当实验的资料量普遍小於100次，不过未来当自动化实验越来越普遍，那这样可能可以再调整其中的学习框架。

下面是ART的示意图，可以看出他的Esembl model的做法

实际上的实践方法是使用python的工具

..........

这个月的规划贴在这篇文章中我们的基因体时代-AI, Data和生物资讯 Overview，也会持续调整！我们的基因体时代是我经营的部落格，如有对於生物资讯、检验医学、资料视觉化、R语言有兴趣的话，可以来交流交流！