本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
儘管標準化程度很高，聚合酶鍊式反應 (PCR) 實驗還是經常失敗。對失敗的 PCR 進行故障排除可能會耗費大量時間和金錢。我們使用涵蓋來自六個活躍研究實驗室的 290 個真實 PCR 的眾包資料集，研究了機器學習可以在多大程度上提高 PCR 成功率。雖然人類設計的 PCR 的成功率為 55-63%，但我們發現機器學習模型可以在 81% 的情況下準確預測反應結果。然後，我們使用該模型來指導設計並預測 39 個新 PCR 實驗的結果，從而驗證了這種改進程度。除了改善結果之外，該模型還識別出研究人員與學習模型相比沒有很好優化的 15 個 PCR 特徵。這些結果表明，PCR 成功率可以輕鬆提高 17-26%，每年可能為整個科學界節省數百萬美元和數千小時的研究人員時間。其他常見的實驗室方法可能會受益於類似的數據驅動優化工作。