Научные исследования требуют сбора, объединения и интерпретации литературы, экспериментальных протоколов, специализированных инструментов и данных наблюдений. Эти задачи представляют собой «горизонтали науки», которые встречаются во многих научных дисциплинах и рабочих процессах. Приложение Microsoft Discovery app существенно ускорило мои исследования, поддерживая выполнение этих задач в таких областях, как энтомология, нейрофизиология, инженерия, физика, разработка моделей ИИ и соблюдение нормативных требований. Здесь я описываю свой уникальный опыт в качестве энтомолога, чтобы задать вопрос: можно ли быстро адаптировать систему биологического мониторинга, настроенную на основные переносимые насекомыми патогены человека и животных, для мониторинга основных патогенов и вредителей сельскохозяйственных культур? Я приглашаю вас проследить за тем, как я использовал приложение Microsoft Discovery для синтеза реальной литературы, инструментов, данных и протоколов из различных дисциплин с целью автономного программирования систем биологического мониторинга, генерации предварительных симуляций и разработки полевых экспериментов в поддержку продовольственной безопасности.
More than 80% of animal species are insects and other invertebrates, и вместе они составляют значительную часть пищевой цепи, выполняя важнейшие экосистемные функции, такие как опыление, разложение и круговорот питательных веществ. Насекомые также переносят одни из самых опасных в мире заболеваний для людей, животных и сельскохозяйственных культур. Всемирная организация здравоохранения (WHO) оценивает, что болезни, распространяемые такими организмами, как комары, другие кусающие мухи и клещи, составляют более 17% инфекционных заболеваний и вызывают более 700 000 смертей ежегодно. Продовольственная и сельскохозяйственная организация Объединенных Наций (FAO) оценивает, что вредители и болезни растений уничтожают до 40% мирового урожая сельскохозяйственных культур ежегодно.
Защита людей и сельского хозяйства от этих болезней требует решения общего круга сложных вопросов: когда и где в окружающей среде присутствуют насекомые-переносчики болезней? Как они приобретают патогены и насколько распространены эти патогены? Есть ли у этих насекомых естественные враги, подавляющие их популяции, и сдерживаются ли эти популяции изменениями климата и среды обитания? Ответы на эти вопросы могут быть невероятно сложными, поскольку они требуют сбора первичных данных о многих видах насекомых непосредственно из окружающей среды. Традиционные методы мониторинга насекомых требуют больших затрат труда, зависят от дефицитной энтомологической экспертизы и предлагают ограниченное временное разрешение. ИИ на периферии все чаще исследуется для устранения этого пробела, начиная с идентификации видов с помощью компьютерного зрения и заканчивая биомеханической идентификацией.
Я энтомолог программы Microsoft Premonition, которая разрабатывает передовые биологические метеостанции (Biological Weather Stations, BWS) для мониторинга популяций насекомых в реальном времени с использованием периферийного ИИ и роботизированного сбора образцов, способных выявить информацию о распространенности и распределении их патогенов (Рисунок 1). Я помогал внедрять биологический мониторинг в программы от Национального научного фонда (NSF) до Министерства сельского хозяйства США (USDA) и собственных центров обработки данных Microsoft. Благодаря этой работе я обучал системы ИИ на основных видах комаров-переносчиков болезней в собственных биозащитных лабораториях Microsoft, создавал экспериментальные проекты, которые переносят биологический мониторинг из лаборатории и тестируют его в реальных условиях при строгих требованиях, а также проводил энтомологический анализ данных по широте и глубине генерируемых данных.
Рисунок 1. Биологическая метеостанция Microsoft Premonition (BWS) использует датчики реального времени и периферийный ИИ для идентификации видов по биомеханике их полета, а также роботизированный сбор для выборочного отлова целевых экземпляров.
Поскольку патогены могут появляться неожиданно, а их хозяева-насекомые могут быстро распространяться по всему земному шару, мы всегда пытаемся понять, как быстро наши лабораторные мощности, платформы биологического мониторинга и модели ИИ могут быть адаптированы для мониторинга новых систем заболеваний — это вечный вопрос для всех усилий и технологий по обнаружению угроз здоровью человека и продовольственной безопасности. Мы использовали агентный ИИ через приложение Microsoft Discovery, чтобы изучить, как мы можем адаптировать нашу платформу с мониторинга переносчиков патогенов животных и человека на мониторинг азиатской цитрусовой листоблошки (ACP) (научное название: Diaphorina citri Kuwayama), которая переносит неизлечимый патоген растений на восприимчивые цитрусовые деревья, что приводит к болезни пожелтения цитрусовых (CGD), одной из величайших угроз для мировой цитрусовой промышленности (Рисунок 2). Эффективный мониторинг листоблошки является ключевым компонентом контроля и разработки новых методов вмешательства при этом заболевании. Приложение Discovery ускорило процесс адаптации нашей существующей платформы BWS для привлечения листоблошки, формулирования экспериментального полевого исследования для проверки нашей гипотезы в реальных условиях и генерации смоделированных взмахов крыльев листоблошки для тестирования in-silico до получения разрешений на работу с живыми особями.
Рисунок 2. Цикл болезни пожелтения цитрусовых (CGD) в цитрусовой роще с азиатской цитрусовой листоблошкой (ACP).
Создание комплексного плана биомониторинга обычно требует нескольких недель исследований и планирования с привлечением экспертов-биологов, инженеров и специалистов по ИИ. Благодаря дополнению нашего плана работы обоснованными агентами, задачи по проведению обзора литературы, разработке экспериментального дизайна, рассмотрению требований разрешений на биозащиту и разработке синтетических классификаторов, специфичных для листоблошки, были сокращены до нескольких дней. Подход, который я использовал для агентной адаптации наших платформ биомониторинга для листоблошки, заключается в следующем (Рисунок 3).
- Обоснование (Ground). Я привязал приложение Discovery к нашим реальным системам, предоставив агентам кодирования доступ только для чтения к нашим инженерным артефактам, руководствам и стандартным операционным процедурам (SOP) для наших платформ биомониторинга. Эти агенты проанализировали более 120 программных проектов и справочных документов, содержащих прошивку устройств, форматы данных, реальные наборы данных, логику обучения ИИ и инструментарии анализа данных, а затем автономно сгенерировали компактный набор навыков агентов, таксономий данных, примеров данных и вспомогательных методов для использования приложением Discovery.
- Исследование (Research). Я попросил приложение Discovery выполнить обзор литературы по экологии листоблошки, сопутствующим сельскохозяйственным вредителям, сопутствующим естественным и (возможно) интродуцированным хищникам листоблошки, а также другим полезным насекомым. Экологический фокус был ограничен коммерческими цитрусовыми рощами на юго-востоке США, где болезнь эндемична. Целью этого исследования было построение глубокой энтомологической картины ожидаемых вредных и полезных видов, которые должна отслеживать система биологического мониторинга.
- Экспериментальный дизайн (Experimental Design). Основываясь на понимании режима работы устройств BWS и широком понимании соответствующих видов в регионе, мы совместно с приложением Discovery разработали экспериментальные дизайны для определения оптимальной конфигурации устройств и подходов к их развертыванию с целью максимизации мониторинга листоблошки.
- Разрешение на биологическую изоляцию. Азиатская цитрусовая медяница (ACP) является регулируемым видом из-за патогенов, которые она может переносить. Я предоставил приложению Discovery наши существующие разрешения на биологическую изоляцию, стандартные операционные процедуры (СОП), схемы лабораторий, а также совместно с агентом разработал новые запросы на получение разрешений и СОП для работы с ACP в наших помещениях. Аспект совместной работы здесь имел решающее значение, поскольку заведующий лабораторией нес бы ответственность за любые ошибки в этих документах.
- Разработка классификатора. Наконец, поскольку оформление разрешений может занять много времени, я попросил приложение Discovery проанализировать тысячи примеров уже существующих биометрических данных насекомых других видов, учесть биомеханические модели ACP и связанных с ней видов, а затем разработать конвейер вычислительного моделирования для создания синтетических примеров биометрии ACP. Эти синтетические обучающие данные помогли команде создать первоначальный граничный классификатор для ACP, который можно было бы протестировать в наших лабораториях в условиях надлежащей биологической изоляции после получения разрешения на работу с живыми особями ACP.
Рисунок 3. Рабочий процесс приложения Microsoft Discovery для адаптации платформы биомониторинга Premonition Biological Weather Station (BWS) к азиатской цитрусовой медянице (ACP), другим цитрусовым вредителям, средствам биологической борьбы и полезным насекомым.
Я работал с агентом итеративно, решая сложный комплекс взаимосвязанных научных вопросов: Как обычно обнаруживается ACP? Каков лучший план эксперимента для оптимизации биомониторинга? Какие биологические или поведенческие характеристики могут повлиять на обнаружение нашими системами? Какие лабораторные эксперименты важно провести в первую очередь? Какие разрешения необходимы для проведения предлагаемых экспериментов в полевых условиях?
Команда, состоящая из человека и агента, изменила роль ИИ из сложного поискового инструмента в нечто большее — в научного сотрудника. Агенты в приложении Discovery обладали глубокими знаниями как в области инженерии, так и в энтомологии. Я делал запросы и ставил задачи перед этими агентами, а затем тщательно дорабатывал и переводил полученные результаты в конкретные экспериментальные решения. Что важно, я, ученый, оставался в центре этого процесса на всех этапах, определяя, какие вопросы имеют значение, оценивая биологическую правдоподобность предложений и решая, какие идеи стоит развивать дальше.
Проектирование экспериментов. Одним из самых ранних решений стал выбор экономичного способа адаптации систем BWS для цитрусовых рощ путем изучения зрительных систем как ACP, так и других вредных и полезных видов, обитающих в этих экосистемах (Рисунок 4). Эти результаты объединили исследования из различных областей: экологии насекомых, нейрофизиологии и обоняния. Кроме того, поскольку эти агенты также являются инженерами, они могли напрямую перепрограммировать наши системы BWS для поддержки этих экспериментов. Работая в команде «человек-агент», я смог пройти путь от концепции до полностью реализуемых и глубоко обоснованных экспериментов всего за несколько дней для масштабной системы заболеваний. Будучи энтомологом, я обучался классическим полевым методам, при которых такая скорость итераций ранее была невозможна.
Рисунок 4. Результаты работы приложения Discovery, объединяющие экологию насекомых, нейрофизиологию и обоняние, для рекомендации экономичных конфигураций биомониторинга и экспериментов.
Как только мы определили новую конфигурацию приманки для тестирования, мы совместно разработали план эксперимента с учетом наших целей, ограничений системы, предполагаемых конечных результатов и моего научного суждения (Рисунок 5). План исследования представлял собой живой документ, в который вносились решения и данные, подлежавшие пересмотру и корректировке. Выбранный план эксперимента представлял собой реплицированный латинский квадрат — хорошо зарекомендовавший себя метод сравнения мониторинга насекомых в полевых условиях, поскольку он сглаживает различия между местами и периодами отбора проб (Рисунок 6).
Работа с реальной биологией (разрешения). Учитывая план эксперимента, следующим шагом должно было стать начало процесса ввоза ACP в наши помещения для сбора биометрических данных ACP и создания новых классификаторов на базе ИИ для их распознавания. Это серьезный шаг, требующий дополнительных разрешений от таких организаций, как министерство сельского хозяйства США (USDA). Как ведущий энтомолог, я должен был полностью понимать любые рекомендации агента по этому процессу. Используя описанный выше подход, я смог сориентировать агентов Discovery в отношении механической конструкции наших лабораторий, управляющих ими программных систем и стандартных операционных процедур. Всего за несколько часов я смог составить проект нового запроса на разрешение. Я мог проверить, как этот проект был сформирован на основе наших существующих мощностей и как в нем учтены уникальные аспекты биологии и экологии ACP. Практически каждый, кто занимается экспериментальной биологией с использованием ИИ, столкнется с необходимостью балансировать между ускорением рабочих процессов с помощью ИИ и требованиями регуляторов. По моему опыту, прозрачность процессов и надзор со стороны человека имеют решающее значение при работе с агентами.
Рисунок 5. Скриншот экспериментального плана мониторинга ACP на основе наших целей, системных ограничений, предполагаемых конечных результатов и рекомендаций ученого.
Рисунок 6. Более детальная проработка экспериментального плана в виде латинского квадрата для мониторинга ACP на основе наших целей, системных ограничений, предполагаемых конечных результатов и рекомендаций ученого.
Работа с реальной биологией (данные). Работа с реальной биологией также означает работу со сложными форматами данных и наборами данных, полученными в результате наблюдения за этой биологией. В ходе программы Premonition наша лаборатория собрала десятки миллионов примеров биометрии насекомых для обучения ИИ, включая множество ведущих видов комаров, переносящих болезни человека и животных по всему миру. До получения разрешений на работу с ACP я хотел построить предварительный классификатор на базе ИИ, объединив наши реальные данные с физическими биомеханическими исследованиями для генерации симулированных биометрических данных ACP. Опираясь на агента, обладающего знаниями в области биологии, инженерии, обучения ИИ и теперь уже физики, я изучил опубликованную литературу по полету насекомых, учел оптические свойства конструкций наших датчиков и разработал биоинформатические конвейеры для чтения форматов данных и генерации симулированных биометрических сигналов ACP. Всего за несколько часов я создал предварительный набор данных для оценки частоты ложноположительных срабатываний классификатора ACP по сравнению с другими видами насекомых (Рисунок 7). Это дало мне представление о том, как часто система биомониторинга ACP может выдавать «ложные тревоги» и какие биометрические признаки могут быть наиболее диагностическими для ACP.
Рисунок 7. Симулированные взмахи крыльев азиатской цитрусовой медяницы (ACP) по сравнению с реальными примерами взмахов крыльев из размеченных лабораторных записей на датчиках Premonition. (A) Один пример нормализованного биометрического сигнала в временной области для каждой группы. (B) Расчетная фундаментальная частота взмахов крыльев f0 для каждого события; затененная полоса представляет собой опубликованный диапазон для ACP: 187±26 Гц.
Подводя итог, новые вредители и патогены постоянно создают новые потребности в биомониторинге. Однако создавать и развертывать абсолютно новые системы мониторинга для каждой угрозы нецелесообразно. Существующие системы необходимо быстро адаптировать для поддержки новых задач биомониторинга, учитывая биологию и экологию отслеживаемых видов. Будучи энтомологом, работавшим с насекомыми — переносчиками болезней животных и человека, я часто нахожу эту цель сложной и пугающей. С каждой новой системой заболеваний возникает множество биологических неизвестных и экспериментов, которые можно было бы провести, множество различных областей научных исследований, которые необходимо объединить для понимания системы заболевания, за чем следует сложная инженерная работа. Для структурирования проблемы часто требуются многие месяцы междисциплинарной работы. В этом проекте мы увидели, с какой скоростью команда человека и агента может объединить инженерное дело, множество биологических дисциплин, физику и аспекты регулирования, чтобы адаптировать биологический мониторинг, разработанный для болезней животных и человека, к крупному сельскохозяйственному патогену. Для меня главный вывод заключается не в идее автономного ИИ-ученого, а в том, как сотрудничество человека и агента может связывать знания из разных дисциплин для ускорения строгого, прослеживаемого научного мышления и перевода его в осознанные действия.
