יצירת מודל למידה אקטיבי לכריית נתונים בחיפוש אחר ביוסטימולנטים חדשים

ביוסטימולנטים צמחיים (PBs) תופסים אחיזה במגזר החקלאי. ההצהרות מאחורי PBs כוללות הגברת יעילות חילוף החומרים בצמח, הגדלת יבול, שיפור איכות היבול, קליטת חומרים מזינים ושיפור סבילות לעקות אביוטיות. יתרונות אלו הופכים אותם חשובים לחקלאות בת קיימא. גודל שוק הביוסטימולנטים העולמי הוערך ב-2.6 מיליארד דולר בשנת 2022 והוא צפוי להתרחב בקצב צמיחה שנתי של 7.4% מ-2023 עד 2030. אימוץ PBs על ידי חברות דשנים מסחריות מונע על ידי הפוטנציאל שלהן לעבוד בצורה סינרגטית עם תשומות יבול אחרות, כמו דשנים וחומרי הדברה. כדי לעמוד בקצב של מוצרים פוטנציאליים חדשים שנכנסים לשוק, פיתחנו כלי יעיל לחיפוש PBs חדשים וחומרים רלוונטיים אחרים שישולבו בפורטפוליו המוצרים של החברה. בעזרת הכלי הזה, פיתחנו את היכולת ליצור מסד נתונים גדול הכולל מועמדים פוטנציאליים עם מאפיינים מותאמים ואחריו פיתוח היכולת לסנן דרך מאגר הנתונים הגדול הזה ולאתר PBs פוטנציאליים חדשים. כדי למצוא מחט זו בערימת שחת, התאמנו שיטות מתקדמות לניתוח נתונים, כולל עיבוד שפה טבעית (NLP), כריית טקסט, הטמעות, אשכולות וענני מילים, כדי לסייע למומחי תחום בזיהוי ובחירת מועמדים רלוונטיים. התהליך כלל מודלים של ידע מומחה בתחום באמצעות Active Learning, שבו הוכשר מודל למידת מכונה כדי לתמוך בבחירה של מועמדים רלוונטיים. בנוסף, שולבו מודלים של שפה (LLMs) כדי לשפר עוד יותר את בחירת המועמדים ודירוגם על בסיס ידע כימי ותחום. הנדסה מתקדמת זו אפשרה לנו לצמצם את הרשימה הראשונית של מועמדי מסד נתונים (כ-11,000 חומרים) ל-10-20 PBs חדשניים פוטנציאליים שהועברו לאחר מכן להערכה נוספת.