في ظل التقدم السريع الذي أحدثه الذكاء الاصطناعي (AI) في مجالات متعددة، تظل تأثيراته على التصنيع البيولوجي (Biomanufacturing) محدودة بسبب نقص البيانات. فالتجارب في مفاعلات الأحياء تتطلب تكاليف عالية وتأخذ وقتًا طويلًا، وغالبًا ما تُعدّ نتائجها سرية وغير متاحة للجمهور. ولكن العلم نفسه غني بالمعرفة السابقة التي يمكن استغلالها بشكل أفضل.

تكمن الفكرة الرئيسية في إدخال المعرفة المستمدة من المعادلات التفاضلية العادية البيوكينيتية (Biokinetic Ordinary Differential Equation Models) إلى الشبكات العصبية. وهذه الدراسة الجديدة تمثل الدراسة المنهجية الأولى في هذا المجال، حيث تقارن بين أسلوبين مختلفين لإدخال هذه المعرفة: الوسيلة الأولى تعتمد على تدريب شبكة عادية مسبقًا على البيانات المحاكاة، بينما الثانية تدمج المعرفة مباشرة داخل بنية الشبكة.

أظهرت النتائج أن تقنيات الدمج هذان يتفوقان باستمرار على الأساسيات التقليدية التي لا تعتمد على المعرفة السابقة، وذلك عبر 11 مجموعة بيانات و7 أنواع ميكروبية. الأهم من ذلك، أن الدراسة توصلت إلى أن الأسلوبين يمكن أن يحل أحدهما محل الآخر.

يسعدنا أن نرى بأن التدريب المسبق يعتبر طريقة بسيطة وفعّالة من حيث البيانات، مما يمكّن الباحثين من مواجهة التحديات التي يطرحها نقص البيانات في التصنيع البيولوجي ويعزز من فرص تطوير الأدوية بشكل أسرع وأكثر فعالية.