若何运用人工智能和自动化更快地分娩可持续产品？

人工智能大大加速研发流程。
为一种广泛利用的 1,3-丙二醇建一条可持续生物基生产路线须要 575 人年的事情量。

通过修正植物和微生物的基因组，合成生物学家可以设计符合特定规范的生物系统，例如生产有代价的化合物、使细菌对光敏感或编程细菌细胞侵入癌细胞。

这一科学领域虽然只有几十年的历史，但却使大规模生产医疗药物成为可能，并建立了制造不含石油的化学品、燃料和材料的能力。
看来生物制造产品将连续存在，随着我们逐渐摆脱传统的碳密集型制造工艺，我们将越来越依赖它们。

但有一个很大的障碍——合成生物学是劳动密集型的，而且进展缓慢。
从理解制造产品所需的基因，到让它们在宿主生物体内正常运作，末了让该生物体在大规模工业环境中茁壮发展，从而生产出足够的产品来知足市场需求，生物制造工艺的开拓可能须要很多年的韶光和数百万美元的投资。

劳伦斯伯克利国家实验室（伯克利实验室）生物科学领域的一名研究员赫克托加西亚马丁 (Hctor Garca Martn) 正在致力于通过运用人工智能和他在物理学家培训期间节制的数学工具来加速和完善这一研发领域。

我们与他进行了交谈，以理解人工智能、定制算法、数学建模和机器人自动化如何结合在一起，形成一个大于各部分的总和，并为合成生物学供应一种新方法。

为什么合成生物学研究和工艺放大仍需很永劫光？

我认为，我们在合成生物学中创造的制造可再生产品的障碍都源于一个非常基本的科学毛病：我们无法预测生物系统。
许多合成生物学家可能不同意我的不雅观点，并指出将工艺从毫升扩展到数千升的难度，或者提取足够高的产量以担保商业可行性的难度，乃至须要艰巨地在文献中探求具有得当特性的分子来合成。
而这些都是事实。

但我相信，这些都是我们无法预测生物系统的结果。
假设有人拥有韶光机器（或上帝，或你最喜好的全知之人）来给我们一个设计完美的 DNA 序列，让我们将其放入微生物中，这样它就能大规模（数千升）地制造出我们所需的目标分子（例如生物燃料）的最佳数量。

合成并转化成细胞须要几周韶光，而进行商业规模的培养则须要三到六个月韶光。
这 6.5 个月和我们现在须要的约 10 年之间的差异在于，须要花费韶光对基因序列和培养条件进行微调 — — 例如，降落某个基因的表达以避免毒性累积或增加氧气水平以加快成长 — — 由于我们不知道这些将如何影响细胞行为。

如果我们能够准确预测这一点，我们就能更有效地设计飞机。
其他学科也是这样做的。
我们设计飞机时，并不是通过建造新的飞机形状并试飞来不雅观察它们的性能。
我们对流体动力学和构造工程的理解非常丰富，我们可以仿照和预测机身变革等成分对翱翔的影响。

人工智能如何加速这些进程？您能举一些最近的事情例子吗？

我们正在利用机器学习和人工智能来供应合成生物学所需的预测能力。
我们的方法不须要完备理解所涉及的分子机制，因此可以节省大量韶光。
然而，这确实引起了传统分子生物学家的一些疑惑。

常日，这些工具必须在弘大的数据集上进行演习，但合成生物学领域的数据不如天文学领域那么多，因此我们开拓了独特的方法来战胜这一限定。
例如，我们利用机器学习来预测选择哪些启动子（介导基因表达的 DNA 序列）可以得到最大生产力。

我们还利用机器学习来预测适宜最佳生产的培养基，预测细胞的代谢动态，提高可持续航空燃料前体的产量，并预测如何设计功能性聚酮合酶（可以产生大量有代价分子但难以预测地设计的酶）。

在许多情形下，我们须要自动化科学实验，以得到大量高质量数据，而这些数据是让人工智能方法真正发挥浸染所必需的。
例如，我们利用机器人液体处理器为微生物创建新的成长培养基并测试其有效性，我们还开拓了微流控芯片，试图实现基因编辑的自动化。
我正在积极与实验室的其他人（以及外部互助者）互助，创建合成生物学的自动驾驶实验室。

美国还有很多其他团体在做类似的事情吗？你认为这个领域会随着韶光的推移而发展壮大吗？

在人工智能、合成生物学和自动化领域拥有专业知识的研究团队数量非常少，尤其是在工业界之外。
我想重点先容威斯康星大学的 Philip Romero 和伊利诺伊大学喷鼻香槟分校的 Huimin Zhao。
然而，鉴于这些技能的组合有可能产生巨大的社会影响（例如，在应对景象变革或生产新型治疗药物方面），我认为这个领域在不久的将来会发展得非常快。

我参加过多个事情组、委员会和研讨会，包括国家新兴生物技能安全委员会专家会议，谈论了该领域的机遇并起草了提出积极建议的报告。

您估量连续这项事情将来会取得什么样的进步？

我认为，将人工智能和机器人/自动化技能大量运用于合成生物学可以将合成生物学的进程加快约 20 倍。
我们可以在约 6 个月内（​而不是约 10 年）创造出一种新的商业上可行的分子。
如果我们想要实现循环生物经济——可持续利用可再生生物质（碳源）来产生能源以及中间产品和终极产品，那么这一点就急迫须要。

目前估计有 3,574 种高产量 (HPV) 化学品（美国每年生产或入口的化学品数量至少为 100 万磅）来自石化产品。
一家名为 Genencor 的生物技能公司须要 575 人年的事情量才能开拓出一种可再生路子光降盆个中一种广泛利用的化学品 1,3-丙二醇，这是一个范例的数字。

如果我们假设设计一个生物制造工艺来取代石油精髓精辟工艺须要这么多韶光，那么我们须要大约 2,000,000 人年。
如果我们让所有约 5,000 名美国合成生物学家（假设占美国所有生物科学家的 10%，这是一个高估）参与这项事情，那么创建这种循环生物经济将须要大约 371 年的韶光。

随着温度非常每年都在增加，我们实际上没有 371 年的韶光。
这些数字显然是快速的粗略打算，但它们给出了如果我们连续按照当前路径提高的话数量级的观点。
我们须要一种颠覆性的方法。

此外，这种方法将能够追求当前方法无法实现的更宏伟的目标，例如：为环境目的和人类康健设计微生物群落、生物质料、生物工程组织等。

伯克利实验室为何是开展这项研究的独特环境？

伯克利实验室在过去二十年中对合成生物学进行了大量的投资，并展示了该领域的丰富专业知识。
此外，伯克利实验室还是“大科学”的发源地：大型团队、多学科科学和

我认为这是目前合成生物学的精确道路。
自发现 DNA 以来，过去 70 年来，通过单一研究职员的传统分子生物学方法取得了许多造诣，但我认为未来的寻衅须要一种多学科方法，包括合成生物学家、数学家、电气工程师、打算机科学家、分子生物学家、化学工程师等。
我认为伯克利实验室该当是开展此类事情的自然场所。

请大略先容一下您的背景，是什么启示您研究生物系统的数学建模？

从很小的时候起，我就对科学非常感兴趣，尤其是生物学和物理学。
我清楚地记得我父亲见告我恐龙灭绝的故事。
我还记得有人见告我，在二叠纪期间，有巨大的蜻蜓（约 75 厘米），由于当时的氧气含量好比今高得多（约 30% 对 20%），昆虫通过扩散而不是肺部获取氧气。
因此，更高的氧气含量使昆虫体型更大。

我还对数学和物理学授予我们理解和设计周围事物的能力着迷。
物理学是我的首选，由于当时教授生物学的办法涉及更多的影象而不是定量预测。
但我一贯很想知道是什么科学事理导致了我们现在看到的地球上的生命。

我得到了理论物理学博士学位，在研究中，我仿照了玻色-爱因斯坦凝聚态（当称为玻色子的粒子（包括光子在内的粒子群）靠近绝对零度时产生的物质状态），并利用了路径积分蒙特卡罗技能，但它也为生态学中一个 100 多年的老谜题供应理解释：为什么一个区域内的物种数量会随面积的普遍幂律依赖性而变革（S=cA z，z=0.25）？从那时起，我本可以连续从事物理学研究，但我认为通过将预测能力运用于生物学，我可以产生更大的影响。

出于这个缘故原由，我冒着巨大的风险得到了物理学博士学位，并接管了美国能源部联合基因组研究所的宏基因组学博士后研究（对微生物群落进行测序以揭示其潜在的细胞活动），希望开拓微生物组的预测模型。
然而，我创造大多数微生物生态学家对预测模型的兴趣有限，以是我开始从事合成生物学研究，这须要预测能力，由于它旨在按照规格设计细胞。

我现在的职位让我能够利用我的数学知识，考试测验以可预测的办法改造细胞，以生产生物燃料并应对景象变革。
我们已经取得了很大进展，并供应了人工智能勾引合成生物学的一些首批实例，但要使生物学变得可预测，还有很多事情要做。