PCR似乎是一个老掉牙的话题了，经过了近40年的发展，进入到AI时代，PCR能不能变得AI化、更智能？
基于荧光的实时 PCR (RT-PCR) 应用越来越多，通过对 PCR 扩增数据进行基因表达分析来实现快速诊断的目的。
PCR 数据通常通过预估PCR 产物跨越检测阈值的循环数(CT)来分析，当没有发生这种阈值跨越时，样本被认定为阴性。
根据荧光信号量来确定 PCR 产物量，这是一种简单而优雅的方法，可用于确定样本中存在的目标序列或基因的数量。然而，这种方法过于简单，有时会导致假阳性或假阴性的结论。
对于某些应用，这样的定性核酸检测就足够了（例如新冠检测）。因此基于机器学习的定性PCR可以被用来检测序列的存在与否。
检测某个序列的存在与否本质上是一个分类问题，由于不同的靶序列对 PCR 产物的影响不同，一些简单的机器学习方法可以被训练，根据荧光数据将这些已知的状态（存在或不存在）分离出来。
最终的应用结果就是，从PCR仪的原始数据（荧光数据流）中直接输出样本状态（阴性或阳性），从而实现更可靠的测量、准确的结果和几乎可忽略不计的时间。
实现成功PCR反应可能取决于很多因素。
如果起始样本量很低，则挑战通常就比较大。
除了肿瘤液体活检之外，低样本起始量在考古、法医学等应用中也都比较常见。
最近澳大利亚Flinders弗林德斯大学Adrian Linacre教授团队就针对法医学检测的PCR应用开发了AI的策略，以提高PCR的速度和质量。
他们在Genes杂志上发表了两篇相关的文章，详细介绍了这一智能PCR的开发过程。
法医学现场所能采集的DNA含量通常比较低，而血液或者土壤等其他样本在扩增时也存在着不小限制。通常，法医学PCR 分析通过短串联重复序列 (STR)、线粒体 DNA 和 SNP 的位点的检测来进行。STR 分析通常涉及几十个特征位点的终点 PCR。
通常情况下，PCR 程序在一次运行中是不变的，使用相同的循环参数，在开始时DNA量很少，而聚合酶活性的最高，但到了循环末期时，DNA分子数指数增加，而聚合酶活性下降明显。
理论上，自适应程序可以减少初始循环中的延伸时间，并随着模板增加和酶处理能力降低而增加延伸时间。此外，如果扩增子较短，可以降低变性温度。
这些可以通过对商业试剂盒的推荐循环条件进行微小更改来实现。
但AI、机器学习和反馈回路应该也可以很好的适用。
通过监测PCR 过程，调整变性、退火和延伸步骤的时间和温度，监测每个循环中的荧光强度变化，并根据此反馈调整参数。通过对PCR最终的结果和性能进行评分，可以构建相应的AI算法，实现智能化PCR，实现PCR循环条件的智能调整和最优化的性能。
根据这样的策略，Linacre团队在开源PCR仪器Open qPCR（每个循环都可以被监测病进行调整）上实现了概念验证。
当然，这里边对于如何定义“最佳结果的PCR”这一目标是很关键的。
Linacre团队设定的一个目标是提高 DNA 图谱的质量，包括减少伪影、更完整的 DNA 图谱或峰间更好的平衡等。此外，减少整体 PCR 程序的时间也可以被用来衡量 PCR 效率的提高，前提是不影响 DNA 图谱的质量。另一个目标是通过降低所需样本量或所需试剂成本来提高效率。
通过将双通道 Open qPCR 仪器连接到 Web 界面，他们能够使用自定义 JavaScript 程序与PCR仪的应用程序编程接口 (API) 进行交互，展示了动态控制 PCR 条件的能力。
最终，他们开发了名为Firefly的AI算法用于实现智能PCR。通过Firefly生成的PCR程序节省了30分钟的循环时间，同时产生的 DNA 图谱得分高于标准的 GlobalFiler PCR 方案。
理论上，Firefly或智能 PCR 流程不只是可以优化这些稀缺样本的分析，也可以从法医应用扩增到临床或其他应用，因为PCR扩增的流程都是一样的，Firefly所希望实现的目标也都是类似的。
进入AI时代，PCR一定也会变得更智能。
欢迎转发、分享给更多关注的朋友！！
