图片

加速合成生物DBTL循环，还得看AI。

近日，合成生物上市龙头嘉必优在投资者平台表示：公司已接入包括DeepSeek在内的多款AI工具用于辅助办公以及研发等领域。

并表示已经在研发领域基于A|工具构建并训练适应公司自身需求的差异化模型，将“AI+合成生物学”作为公司的重要战略。

而在近年来举办的各类会议上，AI与合成生物技术的深度融合也是各方热议的话题，业界对两者跨界融合所催生的创新潜力寄予厚望。

下文将从学术与产业两方面，展示部分AI+合成生物成果及项目进展。

合成生物中的机械学习和深度学习

首先是最热门的机器学习（ML）及深度学习（DL），这些技术在基因组、转录组、蛋白质组和代谢组等大规模生物数据集来说已经逐渐变得不可或缺。

图片
自 1960 年代以来 ML/DL 和合成生物学的进步概述。

其中ML算法在支持DBTL的Learn部分方面发挥着至关重要的作用，尤其是在细胞工程和代谢工厂中，AI模型可以减少每个DBTL 周期的周转时间。


在细胞工程中，ML可用于改善基因表达、改进改变细胞功能的工具以及升级蛋白质搜索和设计。


例如蛋白质语言模型UniRep就能使用神经网络从2400万个蛋白质序列中学习蛋白质的统计描述（例如，结构、进化、功能和物理化学特性）。


而代谢工程作为复杂的多步骤工程，ML的应用方向显得更复杂而丰富。


图片


科学家可以通过利用预测的基因组功能或经过验证的化学反应来设计合成目标产物的途径，而AI可以帮助查找具有固有工业适用性的主机。


或者为了提高生产滴度、频率和生产率，设计专门菌株；甚至去追求下游生物工艺的产量最大化，通过AI可以显著减少使实验室菌株适应工业输出所需的时间。


而DL则在生物部件设计、成像应用、基于结构的学习、最佳实验设计和生物分子神经网络实现等方面取得了不少进展。

除此之外，用于文献综述的自然语言处理 （NLP）应用也较为成熟，它经常被集成到合成生物学工作流程中，以处理和分析大量的科学文献。

上市龙头 竞逐AI合成生物

在合成生物学、代谢工程等前沿技术的推动下，生物制造已从传统发酵向精准化、智能化方向发展，其中AI+合成生物成为各家龙头的必争之地。

华恒生物：拟投资人民币3.2亿元建设“人工智能精准发酵及蛋白质工程共享示范项目”，计划将通过AI模型指导、高通量筛选、基因组重构、代谢网络优化等技术，在核心菌种优化环节获得更高效的关键酶元件和人工调控元件。

凯赛生物：战略投资了AI+蛋白质明星企业分子之心，合作开发AI蛋白质优化设计平台MoleculeOS和多模态大模型NewOrigin。

图片


双方已在一项关键蛋白质优化项目上取得成果，相对于野生菌，人工智能设计的一个重要酶蛋白结构使菌种产率提高了5倍。

川宁生物：与上海交通大学李金金教授团队的合作成果发布，双方成功落地转化了“AI发酵工程师”ManuDrive，人工智能全面接管工厂后的最近一个月，就将产量向上突破了3到5个百分点。

健康元：早在2021年就与腾讯量子实验室战略合作，推进量子计算+人工智能在微生物合成生物学研究的应用。

参考资料：
Machine Learning and Deep Learning in Synthetic Biology: Key Architectures, Applications, and Challenges. Manoj Kumar Goshisht


推荐阅读