動機
端的に言うと輪読会はengineering のサイクルが中心でmodelingはあまり輪読会では取り上げられないからです。
またGifuチームはModelingは実験の後実行し、実験値と一緒になればよいという風潮があると思う。Modelingはクアイテリアの1観点であり自分はengineeringと同等にgoldを取るために取り組むべきだと思うからです。
目次
- 動機
- modelingにこだわる理由
- WikiのModelingの該当ページを読もう
- 仮説：modelingが評価されるには
- U-tokyoのモデリングの部分を読んで
- まとめ
- 最後に
modelingにこだわる理由
Gifuチームの中で私はmodeling班に所属するつもりだったのでpythonを学ぶなかである先輩にkaggleなるものを教えてもらい、だんだん機械学習のコンテストにハマっていきました。Kaggleとはgoogle社が運営する誰が高精度で予測できるかを競う機械学習のコンテストです。
またとある公開講座で塩基配列とその塩基配列を組み込んだ後に活性化する確率を機械学習させ最も活性化させる塩基配列の組み合わせを講師が予想したことについての話を聞きました。
そのようなAIを取り入れる流れなど知り、ドライの可能性に魅力を感じたからです。
WikiのModelingの該当ページを読もう
Wikiのmodelingの該当ページを方程式を追いながら一度たりとも読んだことがなかったので special prizeのbest modelを受賞したU-tokyoと時間があれば のmodelingの該当ページを読みengineeringとの関わりについてまとめようと思います。
今回取り上げさせていただいたのはgoldとbest modelingに選ばれた2022年のu_tokyoです
(https://2022.igem.wiki/utokyo/)
仮説
評価されるモデリングとは実験にフィードバックがある。よってウェットとドライが互いに作用させながら進める。そしてmodelingがあと付けだと思われないようにする。
U_tokyoのモデリングの部分を読んで
うまく文章で表現することができなかったので箇条書きでmodelingの内容を書かせてもらいます。そちらの数式を見ながら読んでもらえると幸いです。
パラメータは実験で得られた結果や論文をもとに作成
ウェットではプロモーターのパラメータの情報がないのでドライで実験することから始められている。
- ブルーライトのスイッチのon offの間隔を調節してタンパク質の発現量がどう変わるか方程式を解いた
- Recombination
の遷移する確率を解き 反応の前後で濃度が変化しないことを突き止めた
組み換えの逆反応は起こらない - 新しくp1、p2の確率を既存のp1,p2にかけるパラメータを変化させて時間変化と組み換えの確率を調べた＝どのようなaでも確率の最大値は変わらない
- Chalmers-Gothenburg（u‐tokyoがパートナーシップを組むほかのigemチーム）が使用したworm like chain modelでｋ3の独立性を予想した
Worm like chain modelで 認識配列間の長さNと2つのレコンビナーゼがお互いに近づく確率q(N)の関係式を発見
青色を誘発するプロモーター
modelingの概要
まとめ
仮説は間違っていました。
ただ実験と方程式をといて描画したグラフの値が同じになるところで終わりではなくU_tokyo2022を例にとると配列の長さと2つのレコンビナーゼがお互いに近づく確率の関係式を発見や閾値を絡めた考察など一歩深い考察を行うことがmodelingが高評価を受けるポイントだと思いました。
最後に
今回の記事を書くためにwasedaの方にmodelingについて質問しました。今回wasedaのmodelingも取り上げませんでしたが仮説を立てる段階で大変参考になりました。ありがとうございました。
iGEM_Gifu 今川