研究亮点:Finn McMillan ' 24
For his senior thesis, 马来西亚航空公司24岁的大四学生芬恩·麦克米兰正在与波士顿大学的丹尼尔Segrè实验室合作，研究如何优化植物生长，以实现可持续和负担得起的消费生物燃料生产.
芬恩在大三的时候参观了Segrè实验室，作为STEM研讨会的一部分. Intrigued by the team’s work, 这篇文章关注的是生命系统中的生物信息学和代谢网络, 芬恩联系了伊利亚·杜科夫斯基教授, Segrè实验室的研究员, 并安排他整个夏天在实验室做研究. 芬恩和Segrè实验室的工作集中在一个大得多的星系的一小部分, 一个叫做微生物群落分析的多机构项目 & 土壤工程中的功能评价, or m-CAFEs, “a collaborative, 协调和综合任务驱动的建议，询问土壤和根际微生物群的功能, 这对碳循环有巨大的影响, 自然和农业生态系统中的碳固存和植物生产力.” In Finn’s words, “m-CAFEs seeks to identify the interactions that influence carbon flow in particular; combined with CRISPR-Cas and RNAi community editing, 这项研究的目标是人为地优化植物生长，以获得最大的生物量.”
以优化植物生物量, 研究人员需要了解哪些细菌菌落促进植物生长, and which inhibit it. 正如芬恩在他的论文中解释的那样, m-CAFEs研究中使用的一种植物微生物组分析方法是“通过时间和空间微生物生态系统计算(COMETS)进行的”。, 通过代谢化学计量学计算群体动力学的多尺度建模框架, 从任何关于物种如何相互作用的假设中分离出来. 2014年首次公开发布, 彗星是由波士顿大学的研究人员合作建立的, 耶鲁大学和明尼苏达大学. 而不是利用经典的动力学模型在群落分析需要大尺度的动力学参数和微分方程, COMETS采用化学计量学和环境模型在基因组规模和群落水平上准确预测代谢活动.”
As part of his research, 芬恩的任务是确保彗星模拟与植物微生物组分析的实验数据相匹配. In order to accomplish this, 芬恩使用一种被称为模拟退火的技术开发了一种机器学习算法, 这有利于它识别全球最小值和最大值.利用他编写的代码，芬恩完善了对细菌的模拟 Pseudomonas simiae (P. simiae)，通过寻找理想的Vmax和Km值来模拟.芬恩随后比较了的模拟数据和实验数据 P. simiae 为了测量动力学参数来决定这种特殊的细菌是如何生长的.
芬恩的研究和更大的mCAFEs项目的工作有可能通过“使乙醇等生物燃料对消费者来说变得更加可持续和可行”来彻底改变生物燃料行业.芬恩将在2024年5月13日的bbin娱乐平台高级论文研讨会上展示他的研究结果.