单击上方↑蓝字关注我们！
文丨Lisa
编丨Lisa
合成生物学为科学家解决重要的社会问题提供了巨大的前景。
人工智能（AI）和机器学习（ML）在提供合成生物学所需的预测能力方面具有显著前景，可以应用于合成生物学全过程。
蛋白质设计领域：AI驱动的精准设计
O'Neill等人提出了一个信号肽元素的工具箱，可以用来增强中国仓鼠卵巢细胞中生物制药蛋白的生产，导致ML辅助的载体设计，与标准行业系统相比，一系列产品的产量增加了≥1.8倍。
Khamwachirapithak等人将ML应用于在常温和高温下优化酿酒酵母中的生物乙醇生产。在最初一轮实验中，在30°C下乙醇产量提高了63%，ML辅助的工作流程在40°C下又提高了7%。
Dallo等人通过构建、转化和分析76株菌株，使用高密度gRNA平铺、相关性分析和机器学习，研究了CRISPRi在蓝细菌Synechococcus sp. PCC 7002菌株中gRNA有效性的设计原则。
蛋白质工程化的迷人尝试：机器学习的强大能力
Marchal等人基于高斯过程开发了一个ML辅助的蛋白质工程工作流程，并将其应用于改善糖基化辅酶A羧化酶。在体外测试的十个变体中，有九个是活跃的，这标志着与之前的随机突变成功率相比有了显著的提高。
Bricio等人利用遗传编程开发了名为POET的蛋白质工程工具，展示了其在工程化具有改善MRI对比度的新型肽方面的效用。
Golinski等人使用人工神经网络探索了配体支架Gp2蛋白变体的高通量可开发性数据集的模式，使适应性景观的直接可视化成为可能，并揭示了导致具有不同可开发性的序列竞争亚群的进化瓶颈。
高级机器学习架构：为特定的生物学场景定制AI
Nisonoff等人设计了一种原则性的概率方法，将生物物理知识整合到贝叶斯神经网络中，使模型更多地依赖于生物物理先验信息。作者在几个例子上展示了这种方法，包括GFP荧光和GB1结合预测。
Van Lent等人解决了组合途径优化问题，并提出了一个基于机理动力学模型的框架，用于优化和应用ML方法在迭代代谢工程中，例如，用于设计-构建-测试-学习周期。
He等人提出了一种新的可解释模型架构Nucleic Transformer，基于自注意力和卷积，展示了其在几个模型任务中的效用，包括大肠杆菌启动子分类、病毒基因组识别、增强子分类和染色质轮廓预测。
知识挖掘与推理：AI助力知识提取
Xiao等人开发了一个工作流程，并为自然语言处理工具GPT-4提出了提示工程，从关于两种油脂酵母的170多篇出版物中提取知识。挖掘的数据使基于ML的模型能够预测发酵滴度。
Meier等人使用主题建模创建了合成生物学研究主题的全面地图和共同作者网络，以获得该学科的系统视图。
当下的挑战与限制
包括缺乏集成和标准化的数据库，对天然产品的困难特征化，以及缺乏针对小而有偏见的数据集的强大ML算法。
未来的愿景
因此，特别关注突出了AI工具在合成生物学中的广泛使用以及AI在简化各种合成生物学应用中的工作流程和流程方面显示出的巨大前景。
我们相信，未来将开发和应用越来越多的AI工具来解决合成生物学领域的挑战性问题。
García Martín H, Mazurenko S, Zhao H. Special Issue on Artificial Intelligence for Synthetic Biology[J]. ACS synthetic biology, 2024, 13(2): 408-410.
关于百仑
百仑在各类反应器、压力容器制造拥有丰富经验。拥有一支集生物反应、发酵工艺、机械制造、自动化控制领域的专家团队，科研与工艺水平始终处于国内领先、国际一流水准，为您提供舒心、放心、安心的产品体验。
联系我们
点击“阅读原文”，查看百仑官网
