機器學習助力合成生物學：算法可以成為你的細胞生物工程師

2020-10-03 科技工作者之家


資料來源：Thor Swift/Berkeley Lab

肉香滿滿的素漢堡和用於美容的合成膠原蛋白都來自一個充滿潛力的研究領域——合成生物學。在該領域，科學家們可以設計出符合規範的生物系統，例如用於生產抗癌藥劑的微生物。然而，傳統的生物工程方法費時費力，而且需要不斷試錯。

現在，美國能源部勞倫斯伯克利國家實驗室（Berkeley Lab）的科學家們開發出了一種新工具，使機器學習算法可以適應合成生物學的需求，從而系統地指導生物製品的開發。

這項創新意味著，科學家們不必再花費數年時間對細胞的每個部分以及細胞的功能進行細緻的了解再對其進行操作。取而代之，通過有限的訓練數據集，算法就能夠預測細胞的DNA或生物化學變化將如何影響其行為，然後對下一個工程周期提出建議，並對實現預期目標的概率進行預測。

伯克利實驗室生物系統和工程(BSE)部門的研究人員Hector Garcia Martin說：「要知道，研發抗瘧疾藥物青蒿素花了150年。如果你能在幾周或幾個月內創造出符合要求的新細胞，就能在生物工程領域掀起一場革命。」

該團隊與BSE數據科學家Tijana Radivojevic以及一個國際研究小組合作，開發並演示了這種名為「自動推薦工具」（A machine learning Automated Recommendation Tool for synthetic biology，以下簡稱ART）的算法，並在近日發表於《自然•通訊》雜誌上的兩篇論文上對此進行了描述。

在第一篇論文中，研究人員針對合成生物學領域的特殊性定製了算法：小的訓練數據集、對不確定性的量化需求以及遞歸循環。此外，來自此前代謝工程項目的模擬和歷史數據也證明了該算法的能力。

在第二篇論文中，該團隊嘗試利用ART指導代謝工程，以提高色氨酸的產量。為了進行實驗，他們選取5個基因，每個基因由不同的基因啟動子和細胞內其他機制控制，總共代表了近8000種潛在的生物途徑組合。研究人員獲取了其中250條路徑的實驗數據，並將這些數據用於訓練算法。之後，通過統計推斷，該工具能夠推斷出剩餘的7000多個組合如何影響色氨酸的產生。

最終，它推薦的設計方案得到的色氨酸產量比最先進的參考菌株高106%，比用於訓練模型的最佳設計高17%。

「這清楚地證明了，讓機器學習來指導生物工程是可行的。」Garcia Martin說，「這僅僅是個開始，而此次我們證明了代謝工程具有可替代性方法。算法可以自動執行研究的常規部分，而研究者則可以把時間花在更具創造性的方面，例如：決定重要的問題、設計實驗、鞏固已獲得的知識。」

研究人員表示，僅通過少量數據就能達到如此效果令他們感到驚訝。不過要想真正實現合成生物學的潛力，還需要更多數據訓練算法，以及更多機器學習方面的專業人才。合成生物學對於眾多領域都具有應用前景，例如：食品、醫藥、農業、氣候、能源和材料，目前其市場規模仍在不斷壯大。

科界原創

編譯：橘子

審稿：西莫

責編：陳之涵

期刊來源：《自然•通訊》

期刊編號：2041-1723

原文連結：

https://phys.org/news/2020-09-machine-synthetic-biology-algorithms-bioengineer.html

版權聲明：本文由科界平臺原創編譯，中文內容僅供參考，一切內容以英文原版為準。轉載請註明來源科技工作者之家—科界App。

相關焦點

  • 機器學習＋合成生物學：算法也能成為你的細胞生物工程師
    然而，傳統的生物工程方法費時費力，而且需要不斷試錯。現在，美國能源部勞倫斯伯克利國家實驗室（Berkeley Lab）的科學家們開發出了一種新工具，使機器學習算法可以適應合成生物學的需求，從而系統地指導生物製品的開發。
  • 機器學習在合成生物學:一種新的生物工程算法
    如果你吃過味道極像肉的味道而又健康的人造肉（如人造牛肉漢堡），或在美容中使用合成膠原蛋白，以提高皮膚再生速度，縮短創傷癒合時間，恢復皮膚屏障功能，那麼你已經從合成生物學中受益。合成生物學應用這是一個充滿潛力的領域，它使科學家可以設計符合要求的生物系統，如對微生物進行生物工程改造以生產抗癌劑。然而，傳統的生物工程方法緩慢且費力，而且還難以達到預期的目標。
  • 合成生物學領域又一應用突破，「一兮生物」生物合成母乳低聚糖HMO
    作為生物科學領域的新興技術，合成生物學的相關應用備受國內外資本市場的關注，這一領域也成長出了Ginkgo Bioworks、Zymergen、Biosyntia 等獨角獸，在推動行業發展的同事，也帶動了國內該領域的投資熱度，藍晶微生物、一兮生物、泓迅科技等公司都受到資本關注。
  • 合成生物學領域又一應用突破,「一兮生物」生物合成母乳低聚糖HMO
    作為生物科學領域的新興技術，合成生物學的相關應用備受國內外資本市場的關注，這一領域也成長出了Ginkgo Bioworks、Zymergen、Biosyntia 等獨角獸，在推動行業發展的同事，也帶動了國內該領域的投資熱度，藍晶微生物、一兮生物、泓迅科技等公司都受到資本關注。 現階段，這些公司也紛紛迎來了關鍵技術的突破階段。
  • 2019年合成生物學年度進展回顧
    作者：孟凡康預計閱讀時間：15min合成生物學作為生命科學和生物技術領域的發展新方向代表之一，充滿著無限的發展活力。2019年合成生物學領域有很多重大的成果，這代表著我們對於生物的工程化改造和設計能力的進一步增強。
  • 半年瘋狂吸金16億美金,合成生物學為什麼這麼火?
    在實現基因的「讀」之後，DNA合成和基因編輯技術的發展使得人們逐漸實現了基因從「讀」到「寫」的跨越，生物學概念開始與工程學概念結合，合成生物學時代的到來或將引領第三次生物技術革命。　　合成生物學這一概念由波蘭科學家W. Szybalski於1978年首次公開提出，它是將生物科學與工程學相結合的學科，在近兩年逐漸成為投資熱點。
  • 張學禮:合成生物學促進微生物細胞工廠構建
    如何拓展微生物細胞生產化學品的種類和如何提高細胞的生產效率是限制細胞工廠產業化的兩個關鍵技術問題。合成生物學助力合成生物學技術的發展極大地提升了細胞工廠的構建能力。通過以下四個方面的改造，可以快速構建出生產各種化學品的高效細胞工廠：最優合成途徑的設計：生產目標化學品的合成途徑可能不存在於單一生物中，通過計算機模擬設計，可以將不同的生化反應組裝到一個細胞中，形成一條完整的合成途徑。在此基礎上，根據基因組代謝網絡和調控網絡模型，設計出目標化學品的最優合成途徑，使其合成過程中能量供給充足、氧化還原平衡，碳代謝流最大程度地流入產品合成。
  • 計算生物學中機器學習的十大攻略,從入門菜鳥到骨灰級專家的必備寶典
    來源：Biodatamining編譯：Kathy機器學習已經成為很多領域的必備工具，除了在通常的計算機領域風生水起，在生物信息學、計算生物學和健康信息學中都逐漸變得舉足輕重。同時隨著近年來數據的增加和網絡服務的拓展，生物學正在被新的技術不斷變革創新，和機器學習產生了前所未有的緊密結合。
  • 合成生物學能否激發下一波人工智慧的發展
    打開APP 合成生物學能否激發下一波人工智慧的發展 教育新聞網 發表於 2019-12-04 10:41:47 （文章來源：教育新聞網
  • 機器學習驅動的生物電子質子泵實現了前所未有的細胞膜電壓控制
    機器學習驅動的生物電子質子泵實現了前所未有的細胞膜電壓控制從最簡單的單細胞生物到複雜的動物，基於傳感和驅動的反饋控制是生物過程中自我調節的重要組成部分，也是生命本身的關鍵。該控制迴路的故障通常會導致疾病或死亡。
  • 合成生物學:顛覆性生物科技?—新聞—科學網
    目前，酵母細胞中全部16條染色體的設計與合成大約完成了1/3。可以期待，首個合成染色體的真核生物不久將問世。更令人震撼的是，2016年，美國學者開始積極策劃極具爭議的人染色體的合成[5]。 科學家很早就提出最小細胞 (Minimal cell) 假說，即1個生物體內可能含有必需基因 (Essential genes) 和非必需基因，去掉非必需基因以後，該生物體應仍能存活和繁殖。
  • 流行的機器學習算法總結,幫助你開啟機器學習算法學習之旅
    機器學習算法概述「機器智能是人類永遠需要的一項發明。」— Nick Bostrom.如果您可以回顧幾年前的AI並將其與現在的AI進行比較，您會驚訝地發現AI的發展速度隨著時間的增長呈指數級增長。它已擴展到各種領域，例如ML，Expert Systems，NLP等數十個領域。
  • 生物工程師的致富之路:微生物細胞工廠打造指南
    先進的微生物細胞工廠，可以讓人類獲得更加廉價的化學品。而工程師的技術越先進，某種程度上代表國家在生物技術領域的競爭力越強。 那麼，工程師是如何打造微生物細胞工廠呢？各個環節會使用到哪些新技術？現在真的已經有這樣的細胞工廠了嗎？大院er和生物工程師們推出了微生物「智」造專題，我們將為你講述這些「工廠」裡的故事。
  • 《細胞》專刊|機器學習與基因編輯
    撰文、編譯丨奚望1、機器學習如何改變生物醫學機器學習適用於從大規模異質性的數據中尋找特徵。在當下社會和科研中，機器學習已經多方面得到應用，例如遊戲博弈、推薦系統、自動駕駛等等。作者接著列舉了機器學習在生物醫學多個關鍵領域內的應用：提升臨床圖像和分子診斷水平臨床圖像採集技術在飛速發展，人們現在已經可以獲得三維甚至是四維的器官和組織圖像了。許多基於深度學習的CAD軟體也隨之誕生，幫助醫生解釋圖像含義，從而輔助糖尿病或是乳腺癌的診斷。通常訓練數據集越大，深度學習的算法精確性越高。
  • 合成生物學的發展與面臨的挑戰
    合成生物學的發展與面臨的挑戰 工程師郭婷 發表於 2018-08-29 09:10:36 合成生物學作為一種具有顛覆性意義的新興技術，其未來應用前景正越來越多地在工業界和學術界討論。
  • 五分鐘了解機器學習十大算法
    本文為有志於成為數據科學家或對此感興趣的讀者們介紹最流行的機器學習算法。機器學習是該行業的一個創新且重要的領域。我們為機器學習程序選擇的算法類型，取決於我們想要實現的目標。現在，機器學習有很多算法。因此，如此多的算法，可能對於初學者來說，是相當不堪重負的。
  • 進化決策樹:當機器學習從生物學中汲取靈感時
    譯者：AI研習社（精神小高）雙語原文連結：Evolutionary Decision Trees: When Machine Learning draws its Inspiration from Biology隨著時間的推移，我們對生物學（或生命科學）的了解大大增加，它已成為許多工程師解決挑戰性問題並產生發明創造的的重要靈感來源。
  • 合成生物學的倫理和治理問題
    人們可以從中看出，合成生物學的特點是：(1)將工程技術的方法應用於生物學；(2)改造原有的生物系統或用原有生物系統的材料組裝成新的生物系統；(3)這些新的生物系統具有新的功能(如產生蛋白質、藥物或疫苗的前體、作為能源的油類的原料等)；(4)這些新的功能具有解決人類面臨的全球問題(糧食、營養、藥品、能源等問題)的潛能。
  • 合成生物學第二個十年:2010–2020
    但是現在很少需要這種方法了，因為數學在生物設計的重點轉向了大型數據的統計分析，我們可以從數據分析結果中學習如何設計DNA。在過去的十年中，超級計算工具還在分子建模和預測的領域開闢了新的領域。由David Baker領導的蛋白質理性設計突飛猛進。在這十年快結束的時候，David Baker研究團隊讓人工合成的功能蛋白成為了酵母細胞中基因線路的關鍵組分[8]。
  • 第三次生物技術革命,合成生物學將開啟基因新時代
    合成生物學是指人們將「基因」連接成網絡，讓細胞來完成設計人員設想的各種任務。例如把網絡同簡單的細胞相結合，可提高生物傳感性，幫助檢查人員確定地雷或生物武器的位置。再如向網絡加入人體細胞，可以製成用於器官移植的完整器官。合成生物學與基因工程把一個物種的基因延續、改變並轉移至另一物種的作法不同，合成生物學的目的在於建立人工生物系統，讓它們像電路一樣運行。