现在，美国能源部劳伦斯伯克利国家实验室(伯克利实验室)的科学家们开发了一种新工具，可以使机器学习算法适应合成生物学的需要，从而系统地指导开发。爱博网投领导者这一创新意味着科学家们不需要花费数年时间来细致地了解细胞的每个部分以及它们的功能，以便对其进行操作;相反，通过有限的训练数据集，算法能够预测细胞DNA或生物化学的变化将如何影响其行为，然后为下一个工程周期提出建议，并进行概率预测，以实现预期目标。

“这种可能性是革命性的，”领导这项研究的伯克利实验室生物系统与工程(BSE)部门的研究员赫克托·加西亚·马丁(Hector Garcia Martin)说。“目前，生物工程是一个非常缓慢的过程。研制抗疟疾药物青蒿素花费了150人年的时间。如果你能在几周或几个月而不是几年的时间里创造出符合规格的新细胞，你就能真正彻底改变生物工程的技术。”

该团队与疯牛病数据科学家Tijana Radivojevic以及一个国际研究小组合作，开发并演示了一种名为自动推荐工具(ART)的正在申请专利的算法，该算法在最近发表在该杂志上的两篇论文中进行了描述自然通讯。机器学习允许计算机在从大量可用的“训练”数据中“学习”后做出预测。

在由Radivojevic领导的“ART:用于合成生物学的机器学习自动推荐工具”中，研究人员介绍了该算法，该算法针对合成生物学领域的特殊性进行了爱博网投领导者定制:小型训练数据集，量化不确定性的需求以及递归循环。该工具的功能通过模拟和以前代谢工程项目的历史数据进行了验证，例如改善可再生生物燃料的生产。

在“将预测工程和优化色氨酸代谢的机械和机器学习模型相结合”中，该团队使用ART来指导代谢工程过程，以增加色氨酸的产量，色氨酸是一种具有多种用途的氨基酸，由一种名为Saccharomyces cerevisiae的酵母或面包酵母。该项目由丹麦科技大学诺和诺德基金会生物可持续发展中心的张杰和索伦·彼得森领导，并与伯克利实验室和旧金山初创公司Teselagen的科学家合作。

为了进行实验，他们选择了五个基因，每个基因由细胞内不同的基因启动子和其他机制控制，总共代表了近8000种潜在的生物途径组合。丹麦的研究人员随后获得了其中250条路径的实验数据，仅占所有可能组合的3%，这些数据被用于训练算法。换句话说，ART了解了什么输出(氨基酸产生)与什么输入(基因表达)相关。

然后，通过统计推断，该工具能够推断出剩余的7000多种组合如何影响色氨酸的产生。它最终推荐的设计比最先进的参考菌株增加了106%的色氨酸产量，比用于训练模型的最佳设计增加了17%。

“这清楚地表明，以机器学习为主导的生物工程是可行的，如果可扩展，将具有颠覆性。加西亚·马丁是敏捷生物研究中心的成员，也是美国能源部生物能源研究中心联合生物能源研究所(JBEI)定量代谢建模小组的主任。他说:“我们对五个基因进行了测试，但我们相信它可以对整个基因组进行测试。”他们都支持了这项工作的一部分。“这仅仅是个开始。有了这个，我们展示了另一种进行代谢工程的方法。算法可以自动完成研究的常规部分，而你可以把时间花在更有创造性的部分:决定重要的问题，设计实验，巩固所获得的知识。”

需要更多数据

研究人员表示，他们对获得结果所需的数据如此之少感到惊讶。然而，为了真正实现合成生物学的潜力，他们表示，算法需要接受更多爱博网投领导者数据的训练。加西亚·马丁将合成生物学描述为刚刚起步的阶段——相当于18世纪90年爱博网投领导者代的工业革命。“只有投资于自动化和高通量技术，你才能利用所需的数据，真正彻底改变生物工程，”他说。

Radivojevic补充说:“我们在一个小数据集上提供了方法和演示;由于可以访问大量数据，潜在的应用可能是革命性的。”

国家实验室的独特能力

除了缺乏实验数据，加西亚·马丁说，另一个限制是人力资本，即机器学习专家。鉴于当今世界数据的爆炸式增长，许多领域和公司都在争夺机器学习和人工智能方面数量有限的专家。爱博网投官方网站

加西亚·马丁指出，如果在国家实验室提供的团队环境中，生物学知识并不是绝对的先爱博网投领导者决条件。例如，Radivojevic拥有应用数学博士学位，但没有生物学背景。爱博网投领导者他说:“在这里的两年里，她能够与我们由生物学家、工程师和计算机科学家组成的多学科团队进行富有成效的合作，并在合成生物学领域发挥了作用。”爱博网投领导者“在进行代谢工程的传统方法中，她甚至在开始自己的独立实验之前，都必须花费五六年的时间来学习所需的生物学知识。”

加西亚·马丁说:“国家实验室提供了专业化和标准化可以繁荣发展的环境，并结合了大型多学科团队，这是他们的标志。”

合成生物学有潜力在几爱博网投领导者乎每一个领域产生重大影响:食品、医药、农业、气候、能源和材料。根据各种市场报告，全球合成生物学市场目前估爱博网投领导者计约为40亿美元，预计到2025年将增长到200亿美元以上。

“如果我们能实现代谢工程的自动化，我们就能实现更大胆的目标。我们可以设计用于治疗或生物修复目的的微生物组。例如，我们可以设计肠道中的微生物组来生产治疗自闭症的药物，或者设计环境中的微生物组来将废物转化为生物燃料，”加西亚·马丁说。“机器学习和基于crispr的基因编辑相结合，可以更有效地收敛到所需的规格。”