在線客服
企業(yè)微信
核心提示：AI 及其對合成生物學(xué)的影響
與AI在合成生物領(lǐng)域的潛力相比，它在合成生物領(lǐng)域的影響有限。
我們已經(jīng)看到了AI的成功應(yīng)用，但
AI 及其對合成生物學(xué)的影響
與AI在合成生物領(lǐng)域的潛力相比，它在合成生物領(lǐng)域的影響有限。
我們已經(jīng)看到了AI的成功應(yīng)用，但仍然局限于特定的數(shù)據(jù)集和研究問題。AI在該領(lǐng)域目前面對的挑戰(zhàn)，仍然是對更廣泛的應(yīng)用程序和其他數(shù)據(jù)集來說有多大的通用性。
數(shù)據(jù)挖掘、統(tǒng)計和機械建模目前是該領(lǐng)域計算生物學(xué)和生物信息學(xué)的主要驅(qū)動因素，但這些技術(shù)與人工智能/機器學(xué)習(xí)之間的界限往往是模糊的。例如，聚類是一種數(shù)據(jù)挖掘技術(shù)，可以識別基因表達(dá)數(shù)據(jù)中的模式和結(jié)構(gòu)，這些模式可以表明工程修改是否會導(dǎo)致細(xì)胞的毒性結(jié)果。這些聚類技術(shù)還可以作為無監(jiān)督學(xué)習(xí)模型，在未標(biāo)記的數(shù)據(jù)集中找到結(jié)構(gòu)。這些正在開發(fā)中的經(jīng)典技術(shù)和新的AI/ML（機器學(xué)習(xí)）方法將在未來的領(lǐng)域合成生物中發(fā)揮更大的作用和影響，因為屆時人們對于更大的數(shù)據(jù)集將習(xí)以為常。轉(zhuǎn)錄組數(shù)據(jù)量每7個月翻一番，蛋白質(zhì)組學(xué)和代謝組學(xué)的高通量工作流程越來越可用。
此外，實驗室工作微流控芯片的逐步自動化和小型化預(yù)示著未來數(shù)據(jù)處理和分析將使得合成生物學(xué)的生產(chǎn)力倍增。DARPA的協(xié)同發(fā)現(xiàn)和設(shè)計（SD2, 2018–2021） 計劃專注于構(gòu)建人工智能模型，旨在拉近AI與合成生物學(xué)需求的差距。這一點在一些采用該領(lǐng)域SoTA技術(shù)的公司中也很明顯（例如Amyris、Zymergen或Ginkgo Bioworks）。
AI和合成生物學(xué)在一些方面存在重疊，比如將現(xiàn)有AI/ML應(yīng)用于現(xiàn)有數(shù)據(jù)集；生成新的數(shù)據(jù)集（例如即將到來的NIH Bridge2AI）；并創(chuàng)造新的AI/ML技術(shù)來應(yīng)用于新的或現(xiàn)有的數(shù)據(jù)。雖然SD2在最后一項中有所貢獻(xiàn)，但其仍有一定潛力，未來也有較長的路要走。
人工智能可以幫助合成生物學(xué)克服一個大挑戰(zhàn)，即預(yù)測生物工程方法對生物主體和環(huán)境的影響。由于無法預(yù)測生物工程的結(jié)果，合成生物學(xué)的細(xì)胞工程目標(biāo)（即逆設(shè)計）只能通過大量的試錯來實現(xiàn)。人工智能提供了一個利用公開數(shù)據(jù)和實驗數(shù)據(jù)來預(yù)測對生物主體和環(huán)境影響的機會。
為細(xì)胞編程設(shè)計遺傳結(jié)構(gòu)。 許多合成生物學(xué)領(lǐng)域的研究都集中在基因結(jié)構(gòu)/基因線路的工程上，這與設(shè)計電子電路面臨著的挑戰(zhàn)大相徑庭。
人工智能技術(shù)結(jié)合了已知的生物物理、機器學(xué)習(xí)和強化學(xué)習(xí)模型，能夠有效預(yù)測結(jié)構(gòu)對主體的影響，反之亦然，雖然已經(jīng)頗為強大，但仍然有改進(jìn)空間。而在機器輔助基因線路設(shè)計方面，已有各種人工智能技術(shù)投入應(yīng)用，其中包括專家系統(tǒng)、多智能體系統(tǒng)、約束推理、啟發(fā)式搜索、優(yōu)化和機器學(xué)習(xí)。
基于序列的模型和圖卷積網(wǎng)絡(luò)在工程生物系統(tǒng)領(lǐng)域也得到了關(guān)注。因子-圖神經(jīng)網(wǎng)絡(luò)已被用于將生物知識納入深度學(xué)習(xí)模型。圖卷積網(wǎng)絡(luò)已被用于從蛋白質(zhì)與蛋白質(zhì)相互作用網(wǎng)絡(luò)中預(yù)測蛋白質(zhì)的功能�；谛蛄械木矸e和遞歸神經(jīng)網(wǎng)絡(luò)模型已被用于識別蛋白質(zhì)的潛在結(jié)合位點、基因的表達(dá)和新的生物結(jié)構(gòu)的設(shè)計。人工智能最有用之處是應(yīng)用于開發(fā)綜合模型，而這將減少需要進(jìn)行的實驗或設(shè)計的數(shù)量。
代謝工程。在代謝工程中，人工智能已經(jīng)應(yīng)用到生物工程過程的幾乎所有階段，例如人工神經(jīng)網(wǎng)絡(luò)已被用于預(yù)測翻譯起始位點，注釋蛋白質(zhì)功能，預(yù)測合成途徑，優(yōu)化多個外源基因的表達(dá)水平，預(yù)測調(diào)控元件的強度，預(yù)測質(zhì)粒表達(dá)，優(yōu)化營養(yǎng)濃度和發(fā)酵條件，預(yù)測酶動力學(xué)參數(shù)，了解基因型與表型的關(guān)聯(lián)，預(yù)測CRISPR的指導(dǎo)效果等階段。聚類已被用于發(fā)現(xiàn)次生代謝物生物合成基因聚類和識別催化特定反應(yīng)的酶。集合方法已被用于預(yù)測途徑動態(tài)、最優(yōu)生長溫度，并在定向進(jìn)化方法中找到賦予更高適應(yīng)度的蛋白質(zhì)。支持向量機已被用于優(yōu)化核糖體結(jié)合位點序列和預(yù)測CRISPR引導(dǎo)RNA的行為。在代謝工程的各階段中，人工智能最有希望被應(yīng)用于流程放大，這是該領(lǐng)域的一個重大瓶頸，以及下游處理（例如從發(fā)酵液中系統(tǒng)提取所產(chǎn)生的分子）。
實驗自動化。在幫助自動化實驗室工作和推薦實驗設(shè)計方面，人工智能的影響已經(jīng)遠(yuǎn)遠(yuǎn)超出了DBTL周期的“學(xué)習(xí)”階段。自動化正逐漸在實踐中變得十分重要，因為自動化是獲得訓(xùn)練人工智能算法所需的高質(zhì)量、大容量、低偏差數(shù)據(jù)的最可靠的方式，自動化還使得可預(yù)測的生物工程成為可能。自動化提供了將復(fù)雜協(xié)議快速轉(zhuǎn)移和擴展到其他實驗室的機會。例如，液體處理機器人站構(gòu)成了生物鑄造廠和云實驗室的支柱。這些鑄造廠已經(jīng)能夠看到在未來自身會被機器人和規(guī)劃算法顛覆，從而獲得快速迭代通過DBTL周期的能力。語義網(wǎng)絡(luò)、本體和模式徹底改變了設(shè)計和協(xié)議的表示、通信和交換。這些工具支持快速實驗，并以結(jié)構(gòu)化、可查詢的格式生成更多的數(shù)據(jù)。在一個大多數(shù)內(nèi)容要么丟失，要么被人工記錄在實驗室筆記中的領(lǐng)域，人工智能的前景推動領(lǐng)域發(fā)生重大變化，從而減少生成數(shù)據(jù)的障礙。
微流體是宏觀液體處理的替代品，具有更高的通量、更少的試劑消耗和更便宜的結(jié)垢。事實上，微流體可能是實現(xiàn)自動駕駛實驗室的關(guān)鍵技術(shù)，它有望通過使用人工智能增強自動化實驗平臺，大大加快研發(fā)過程。自動駕駛實驗室涉及完全自動化的DBTL周期，其中人工智能算法會根據(jù)之前的實驗結(jié)果進(jìn)行假設(shè)，積極尋找有前景的實驗程序。因此這可能是合成生物領(lǐng)域人工智能研究人員的最大機會。雖然自動DBTL回路已經(jīng)在液體處理機器人工作站中得到了證明，但微流控芯片提供的可擴展性、高通量能力和制造靈活性可能會提供最終的技術(shù)飛躍，使人工智能成為現(xiàn)實。
我們已經(jīng)看到了AI的成功應(yīng)用，但仍然局限于特定的數(shù)據(jù)集和研究問題。AI在該領(lǐng)域目前面對的挑戰(zhàn)，仍然是對更廣泛的應(yīng)用程序和其他數(shù)據(jù)集來說有多大的通用性。
數(shù)據(jù)挖掘、統(tǒng)計和機械建模目前是該領(lǐng)域計算生物學(xué)和生物信息學(xué)的主要驅(qū)動因素，但這些技術(shù)與人工智能/機器學(xué)習(xí)之間的界限往往是模糊的。例如，聚類是一種數(shù)據(jù)挖掘技術(shù)，可以識別基因表達(dá)數(shù)據(jù)中的模式和結(jié)構(gòu)，這些模式可以表明工程修改是否會導(dǎo)致細(xì)胞的毒性結(jié)果。這些聚類技術(shù)還可以作為無監(jiān)督學(xué)習(xí)模型，在未標(biāo)記的數(shù)據(jù)集中找到結(jié)構(gòu)。這些正在開發(fā)中的經(jīng)典技術(shù)和新的AI/ML（機器學(xué)習(xí)）方法將在未來的領(lǐng)域合成生物中發(fā)揮更大的作用和影響，因為屆時人們對于更大的數(shù)據(jù)集將習(xí)以為常。轉(zhuǎn)錄組數(shù)據(jù)量每7個月翻一番，蛋白質(zhì)組學(xué)和代謝組學(xué)的高通量工作流程越來越可用。
此外，實驗室工作微流控芯片的逐步自動化和小型化預(yù)示著未來數(shù)據(jù)處理和分析將使得合成生物學(xué)的生產(chǎn)力倍增。DARPA的協(xié)同發(fā)現(xiàn)和設(shè)計（SD2, 2018–2021） 計劃專注于構(gòu)建人工智能模型，旨在拉近AI與合成生物學(xué)需求的差距。這一點在一些采用該領(lǐng)域SoTA技術(shù)的公司中也很明顯（例如Amyris、Zymergen或Ginkgo Bioworks）。
AI和合成生物學(xué)在一些方面存在重疊，比如將現(xiàn)有AI/ML應(yīng)用于現(xiàn)有數(shù)據(jù)集；生成新的數(shù)據(jù)集（例如即將到來的NIH Bridge2AI）；并創(chuàng)造新的AI/ML技術(shù)來應(yīng)用于新的或現(xiàn)有的數(shù)據(jù)。雖然SD2在最后一項中有所貢獻(xiàn)，但其仍有一定潛力，未來也有較長的路要走。
人工智能可以幫助合成生物學(xué)克服一個大挑戰(zhàn)，即預(yù)測生物工程方法對生物主體和環(huán)境的影響。由于無法預(yù)測生物工程的結(jié)果，合成生物學(xué)的細(xì)胞工程目標(biāo)（即逆設(shè)計）只能通過大量的試錯來實現(xiàn)。人工智能提供了一個利用公開數(shù)據(jù)和實驗數(shù)據(jù)來預(yù)測對生物主體和環(huán)境影響的機會。
為細(xì)胞編程設(shè)計遺傳結(jié)構(gòu)。 許多合成生物學(xué)領(lǐng)域的研究都集中在基因結(jié)構(gòu)/基因線路的工程上，這與設(shè)計電子電路面臨著的挑戰(zhàn)大相徑庭。
人工智能技術(shù)結(jié)合了已知的生物物理、機器學(xué)習(xí)和強化學(xué)習(xí)模型，能夠有效預(yù)測結(jié)構(gòu)對主體的影響，反之亦然，雖然已經(jīng)頗為強大，但仍然有改進(jìn)空間。而在機器輔助基因線路設(shè)計方面，已有各種人工智能技術(shù)投入應(yīng)用，其中包括專家系統(tǒng)、多智能體系統(tǒng)、約束推理、啟發(fā)式搜索、優(yōu)化和機器學(xué)習(xí)。
基于序列的模型和圖卷積網(wǎng)絡(luò)在工程生物系統(tǒng)領(lǐng)域也得到了關(guān)注。因子-圖神經(jīng)網(wǎng)絡(luò)已被用于將生物知識納入深度學(xué)習(xí)模型。圖卷積網(wǎng)絡(luò)已被用于從蛋白質(zhì)與蛋白質(zhì)相互作用網(wǎng)絡(luò)中預(yù)測蛋白質(zhì)的功能�；谛蛄械木矸e和遞歸神經(jīng)網(wǎng)絡(luò)模型已被用于識別蛋白質(zhì)的潛在結(jié)合位點、基因的表達(dá)和新的生物結(jié)構(gòu)的設(shè)計。人工智能最有用之處是應(yīng)用于開發(fā)綜合模型，而這將減少需要進(jìn)行的實驗或設(shè)計的數(shù)量。
代謝工程。在代謝工程中，人工智能已經(jīng)應(yīng)用到生物工程過程的幾乎所有階段，例如人工神經(jīng)網(wǎng)絡(luò)已被用于預(yù)測翻譯起始位點，注釋蛋白質(zhì)功能，預(yù)測合成途徑，優(yōu)化多個外源基因的表達(dá)水平，預(yù)測調(diào)控元件的強度，預(yù)測質(zhì)粒表達(dá)，優(yōu)化營養(yǎng)濃度和發(fā)酵條件，預(yù)測酶動力學(xué)參數(shù)，了解基因型與表型的關(guān)聯(lián)，預(yù)測CRISPR的指導(dǎo)效果等階段。聚類已被用于發(fā)現(xiàn)次生代謝物生物合成基因聚類和識別催化特定反應(yīng)的酶。集合方法已被用于預(yù)測途徑動態(tài)、最優(yōu)生長溫度，并在定向進(jìn)化方法中找到賦予更高適應(yīng)度的蛋白質(zhì)。支持向量機已被用于優(yōu)化核糖體結(jié)合位點序列和預(yù)測CRISPR引導(dǎo)RNA的行為。在代謝工程的各階段中，人工智能最有希望被應(yīng)用于流程放大，這是該領(lǐng)域的一個重大瓶頸，以及下游處理（例如從發(fā)酵液中系統(tǒng)提取所產(chǎn)生的分子）。
實驗自動化。在幫助自動化實驗室工作和推薦實驗設(shè)計方面，人工智能的影響已經(jīng)遠(yuǎn)遠(yuǎn)超出了DBTL周期的“學(xué)習(xí)”階段。自動化正逐漸在實踐中變得十分重要，因為自動化是獲得訓(xùn)練人工智能算法所需的高質(zhì)量、大容量、低偏差數(shù)據(jù)的最可靠的方式，自動化還使得可預(yù)測的生物工程成為可能。自動化提供了將復(fù)雜協(xié)議快速轉(zhuǎn)移和擴展到其他實驗室的機會。例如，液體處理機器人站構(gòu)成了生物鑄造廠和云實驗室的支柱。這些鑄造廠已經(jīng)能夠看到在未來自身會被機器人和規(guī)劃算法顛覆，從而獲得快速迭代通過DBTL周期的能力。語義網(wǎng)絡(luò)、本體和模式徹底改變了設(shè)計和協(xié)議的表示、通信和交換。這些工具支持快速實驗，并以結(jié)構(gòu)化、可查詢的格式生成更多的數(shù)據(jù)。在一個大多數(shù)內(nèi)容要么丟失，要么被人工記錄在實驗室筆記中的領(lǐng)域，人工智能的前景推動領(lǐng)域發(fā)生重大變化，從而減少生成數(shù)據(jù)的障礙。
微流體是宏觀液體處理的替代品，具有更高的通量、更少的試劑消耗和更便宜的結(jié)垢。事實上，微流體可能是實現(xiàn)自動駕駛實驗室的關(guān)鍵技術(shù)，它有望通過使用人工智能增強自動化實驗平臺，大大加快研發(fā)過程。自動駕駛實驗室涉及完全自動化的DBTL周期，其中人工智能算法會根據(jù)之前的實驗結(jié)果進(jìn)行假設(shè)，積極尋找有前景的實驗程序。因此這可能是合成生物領(lǐng)域人工智能研究人員的最大機會。雖然自動DBTL回路已經(jīng)在液體處理機器人工作站中得到了證明，但微流控芯片提供的可擴展性、高通量能力和制造靈活性可能會提供最終的技術(shù)飛躍，使人工智能成為現(xiàn)實。
