
شواهد ادبیات فرضیه های طراحی اجرایی را راهنمایی می کند
EASER مخفف Evidence-Aware Sequence Engineering with Reflection است. از شواهد بازیابی شده، زمینه توالی و نتایج قبلی برای پیشنهاد اصلاحات استفاده می کند. اهمیت عملی ارتباط بین یک استدلال علمی و یک تصمیم طراحی خاص است. برای مثال، یک توسعهدهنده میتواند بپرسد که آیا تغییر پیشنهادی با شواهد مرتبط با توالی نامزد و سنجش مورد نظر پشتیبانی میشود یا خیر. ارزیابی این ارتباط مستلزم ردیابی منبع، شناسایی سود مورد انتظار و ثبت اثرات نامطلوب احتمالی است. این امر استدلال پشت انتخاب نامزد را قابل بازرسی تر می کند و به محققان کمک می کند تا یک منطق طراحی قابل قبول را از یک بهبود بیولوژیکی نشان داده شده تشخیص دهند.
کنترل های آموخته شده، استدلال را با تولید توالی وصل می کند
این چارچوب یک مولد انتشار منجمد را با استفاده از ماتریسهای با رتبه پایین و مخصوص ویژگی که به صورت آفلاین آموزش داده شده و در طول جستجو ثابت نگه داشته شده است، هدایت میکند. این معماری یک رابط تعریف شده بین سیستم استدلال و مولد توالی فراهم می کند. از منظر توسعه، سوال کلیدی این است که آیا یک کنترل انتخابی پاسخ مورد نظر را در زمینههای توالی مختلف ایجاد میکند یا خیر. یک ارزیابی مفید تکرارپذیری، حساسیت به دنبالههای شروع و تغییرات ناخواسته در ویژگیهای دیگر را بررسی میکند. محققان همچنین میتوانند نامزدهای ایجاد شده را با توالیهای والد خود مقایسه کنند تا تشخیص دهند کدام تغییرات به سود پیشبینیشده کمک میکنند و کدام به سادگی تنوع توالی را افزایش میدهد.


Probe-and-Steer از بازخورد برای اصلاح نمونه برداری استفاده می کند
مکانیسم Probe-and-Steer EASER مداخلات پیشنهادی را از طریق دستههای نمونه محاسباتی کوچک آزمایش میکند، سپس نمونههای بیشتری را با توجه به پاسخهای پیشبینیشده اختصاص میدهد. انعکاس به تصمیمات بعدی اطلاع می دهد. برای گردش کار تحقیقاتی، این روشی را برای صرف بودجه تولید محدود برای مداخلات نشان می دهد که ترکیبات مفیدی از خواص را نشان می دهد. ارزش عملی آن به قابلیت اطمینان مدل های بازخورد و تنوع حفظ شده در طول انتخاب بستگی دارد. تیمهایی که چنین جریان کاری را ارزیابی میکنند، میتوانند پیشنهادهای ناموفق را در کنار طرحهای موفق بررسی کنند و بررسی کنند که آیا تکرارهای مکرر درسهای طراحی ثابتی را نشان میدهند یا صرفاً دنبالههایی را که در یک سیستم پیشبینی خاص امتیاز خوبی میگیرند، ترجیح میدهند.
نتایج محک به نفع بهینه سازی دارایی مشترک
در طول شش اجرا که 2560 نامزد در هر روش ایجاد میکند، EASER به بالاترین میانگین حجم زیاد و کمترین میانگین IGD+ در میان رویکردهای ارزیابیشده در کاندیداهای غربالشده دست یافت. این معیارها مبادلات چند هدفه پیش بینی شده را ارزیابی می کنند. مفهوم این است که یک چارچوب طراحی باید با ترکیبی از ویژگی هایی که تولید می کند، به جای یک امتیاز فعالیت مجزا مورد قضاوت قرار گیرد. برای ارزیابی مستقل، محققان به بودجه های نامزد، قوانین غربالگری و مدل های ارزیابی نیاز دارند. بررسی تنوع بین اجراها همچنین به تعیین میزان قابل اعتماد بودن یک روش کاندیداهای امیدوارکننده و اینکه آیا مزیت ظاهری آن تحت شرایط ارزیابی جایگزین باقی میماند کمک میکند.


اعتبار سنجی تجربی مرحله بعدی توسعه باقی می ماند
ارزیابی گزارششده محاسباتی است و ویژگیهای مربوط به فعالیت و ایمنی از طریق مدلهای پیشبینی ارزیابی میشود. گام بعدی عملی، سنتز نامزدهای انتخاب شده و اندازه گیری قدرت ضد میکروبی، همولیز گلبول های قرمز و سمیت سلول های پستانداران در شرایط کاملاً مشخص است. آزمایش باید شامل کنترلهای مناسب و نامزدهایی باشد که مبادلات پیشبینیشده مختلف را در بر میگیرد و به محققان اجازه میدهد ارزیابی کنند که آیا رتبهبندی محاسباتی به عملکرد اندازهگیری شده ترجمه میشود یا خیر. کار اضافی می تواند پایداری، حلالیت و رفتار را در محیط های بیولوژیکی مربوطه بررسی کند. چنین شواهدی تعیین میکند که EASER چگونه به طور مؤثر از اولویتبندی تجربی پشتیبانی میکند و مشخص میکند که کجا استدلال، کنترلهای تولید یا پیشبینیکنندههای ویژگی آن نیاز به بهبود دارد.

