99国产精品久久全免费,国产久首页在线观看视频,大操日本美女白肥逼

人工智能與合成生物學的完美結合：一場顛覆性的科技革命

2024-08-21 16:50:00

[ 導讀 ] 人工智能在合成生物學中的應用~

在科技飛速發展的今天,人工智能(AI)和合成生物學這兩大前沿領域的融合,正在掀起一場足以改變人類未來的科技革命。最近,《ACS合成生物學》(ACS Synthetic Biology)雜志發布了一期特刊,聚焦"人工智能在合成生物學中的應用",全面展示了這一令人興奮的交叉領域的最新進展。

合成生物學：重塑生命的科學

合成生物學是一門旨在設計和構建新型生物系統的學科。它像是一場宏大的"生命魔法",科學家們就像魔法師,試圖創造出全新的生命形式或賦予現有生物體新的功能。這個領域的潛力是巨大的,有望幫助我們解決諸如疾病治療、環境污染、能源短缺等一系列重大社會問題。

然而,合成生物學面臨著一個巨大的挑戰:我們對生物系統的預測能力遠遠不如對物理或化學系統的預測。這一局限性帶來了兩個方面的問題:

實踐層面：我們無法精確地按照特定要求設計生物系統。例如,我們還不能輕易地設計一種蛋白質使其與某個分子以特定的結合親和力結合,或者設計一個細胞使其以特定的產量、速率和效率生產某種化學物質。

基礎層面：我們對導致觀察到的生物表型的底層機制理解不足。

這就像是我們有了一個神奇的魔法棒,但還不完全知道如何精準地使用它。

AI：合成生物學的“魔法助手”

而這時,人工智能和機器學習(ML)技術的出現,就像是為合成生物學帶來了一個強大的"魔法助手"。AI/ML技術展現出了為合成生物學提供所需預測能力的巨大潛力,可以應用于合成生物學過程的各個環節(如圖1所示)。

這期特刊集中展示了AI/ML在合成生物學中的廣泛應用,以及目前正在探索的各種最先進的AI/ML架構。讓我們一起來看看這些激動人心的研究進展！

蛋白質工程：AI驅動的精準設計

蛋白質是生命的基石,也是合成生物學的重要研究對象。特刊中有多項研究展示了AI在蛋白質工程中的強大潛力:

O'Neill等人開發了一套信號肽元件工具包,可用于提高中國倉鼠卵巢細胞中生物制藥蛋白的產量。通過ML輔助的載體設計,多種產品的產量比標準工業系統提高了1.8倍以上。

Marchal等人開發了一種基于高斯過程的ML輔助蛋白質工程工作流程,用于改進乙酰輔酶A羧化酶。在體外測試的10個變體中,9個是活性的,這比之前的隨機突變成功率有了顯著提高。其中兩個新變體分別顯示出2倍的羧化速率增加和60%的能量需求減少。

Bricco等人利用遺傳編程開發了名為POET的蛋白質工程工具,展示了其在設計具有改進MRI對比度的新型肽方面的實用性。

Chen等人對基于黃素單核苷酸的熒光蛋白CreiLOV進行了大規模序列-功能分析和上位性分析,收集了超過90%的單點突變和選定組合變體的數據。他們研究了幾種統計和ML模型,以捕捉特定和全局上位性,并得出結論認為基于ML的模型能夠根據低階突變(1-3個突變)訓練數據,在預測和測量高階突變的適應度值之間實現高度相關。

Kao等人采用基于深度學習的反向蛋白質折疊模型ProteinMPNN,設計了序列發散的泛素變體,這些變體對E3泛素-蛋白連接酶Rsp5外部位點的HECT結構域具有高親和力,產生了幾個成功的設計,具有更高的蛋白質產量、保持高熱穩定性和增強的結合親和力。

這些研究充分展示了AI在蛋白質工程中的巨大潛力,從提高產量到改進功能,AI正在幫助科學家們以前所未有的精度和效率設計蛋白質。

代謝工程：AI優化的生物工廠

除了蛋白質工程,AI在代謝工程領域也展現出了強大的應用前景:

Khamwachirapithak等人應用ML來優化釀酒酵母在環境溫度和升高溫度下的生物乙醇生產。在初始實驗中,他們在30°C下實現了63%的乙醇產量提升,隨后通過ML輔助的工作流程,在40°C下又實現了額外7%的提升。

Merzbacher等人利用貝葉斯優化方法,有效地設計和優化了生物回路。他們以大腸桿菌中生產葡糖酸、脂肪酸和對氨基苯乙烯的幾種代謝途徑為例,展示了如何加速篩選最佳設計,包括考慮不確定的酶動力學參數、使用結合代謝和遺傳控制的分層架構,以及復雜模型的多參數優化。

這些研究表明,AI不僅可以幫助我們設計單個蛋白質,還可以優化整個代謝途徑,甚至是復雜的生物回路系統。這為創建高效的"生物工廠"開辟了新的可能性。

基因組挖掘：AI助力發現新型天然產物

特刊中還包括一篇綜述文章,由Yuan等人撰寫,討論了開發和應用ML工具探索潛在天然產物的最新進展,特別是ML輔助的天然產物基因組挖掘和預測其生物活性。這項研究顯示了AI在發現新型生物活性分子方面的巨大潛力,這對于新藥開發和其他生物技術應用具有重要意義。

高級ML架構：為生物學定制的AI

特刊還介紹了幾種專為生物學問題設計的先進ML架構:

Nisonoff等人設計了一種原則性的概率方法,將生物物理學知識整合到貝葉斯神經網絡中,使模型更多地依賴于生物物理學先驗信息。他們在GFP熒光和GB1結合預測等幾個例子上展示了這種方法的有效性。

He等人提出了一種新的可解釋模型架構Nucleic Transformer,基于自注意力機制和卷積,展示了它在大腸桿菌啟動子分類、病毒基因組識別、增強子分類和染色質輪廓預測等多個模型任務中的實用性。

Praljak等人提出了ProtWave-VAE,這是一種深度生成模型,結合了基于多序列比對和自回歸學習范式的優點,用于推斷有意義的功能和系統發育嵌入,并解決無需比對的同源蛋白家族內的下游蛋白質適應度預測任務。

這些研究表明,科學家們正在努力開發更適合生物學特點的AI模型,這將進一步提高AI在合成生物學中的應用效果。

文獻挖掘：AI助力知識提取

特刊中還有兩項有趣的研究聚焦于利用AI進行合成生物學文獻挖掘:

Xiao等人開發了一個工作流程,并提出了自然語言處理工具GPT-4的提示工程,從170多篇關于兩種油脂酵母的出版物中提取知識。挖掘的數據使基于ML的模型能夠預測發酵產量,展示了生成式AI在從研究文章中提取數據以促進生物制造發展方面的潛力。

Meier等人使用主題建模創建了合成生物學內研究主題的綜合地圖,并使用合著網絡來獲得該學科的系統視圖。

這些研究展示了AI在科學文獻分析和知識提取方面的巨大潛力,這將大大加速科學發現的過程。

挑戰與展望

盡管AI在合成生物學中展現出了巨大的潛力,但仍然存在一些挑戰:

缺乏集成和標準化的數據庫

天然產物的特征化困難

缺乏針對小型和有偏數據集的穩健ML算法

然而,這些挑戰也為未來的研究指明了方向。隨著更多AI工具的開發和應用,我們有理由相信,這些挑戰終將被克服。

結語：AI與合成生物學的美好未來

這期特刊充分展示了AI工具在合成生物學中的廣泛應用,以及AI在簡化各種合成生物學應用的工作流程和過程方面所展現的巨大前景。我們相信,未來將會有更多的AI工具被開發和應用,以解決合成生物學領域中的各種挑戰性問題。

AI與合成生物學的結合,就像是為生命科學注入了一股強大的魔力。它不僅加速了我們對生命奧秘的探索,還為我們創造全新的生命形式和功能開辟了無限可能。這場科技革命正在改變我們理解和操縱生命的方式,未來,我們或許能夠像設計機器一樣精確地設計生命,為人類面臨的各種挑戰提供創新解決方案。

Garci?a Marti?n H, Mazurenko S, Zhao H. Special Issue on Artificial Intelligence for Synthetic Biology[J]. ACS synthetic biology, 2024, 13(2): 408-410.

內容來源：生物大模型

更多干貨、市場分析、重磅案例、實戰課程歡迎訂閱 [農業行業觀察]公眾號：nyguancha

收藏 0 贊 0

人工智能合成生物學

聲明：網尊重行業規范，每篇文章都注明有明確的作者和來源；農業行業觀察網站的原創文章，請轉載時務必注明文章作者和"來源"，不尊重原創的行為將受到本網站的追責。