随着代谢负担的增加和生物反应器条件的压力变化，宿主细胞生理特性往往变得不可预测。合成生物学家需要从大量的实验数据以及旧文献中的“教训”中学习。在微生物菌株开发过程中，通常涉及到设计-构建-测试-学习 (DBTL) 循环，这种方法集成了菌株计算设计、基因工程改造、发酵测试和组学分析，以提升菌种性能，解决生产瓶颈。然而，DBTL可能会进入无效循环，其众多的工程周期只会产生大量的信息，而不会导致产品性能的突破。其主要原因来自以下两个方面：首先，重编程细胞代谢可能会引起未知的变化，消除一个已知的瓶颈可能会导致新的限速步骤；其次，生产过程不仅受生物特性控制，还受多尺度工程变量的控制，生物反应器条件、培养基组成、毒性和底物都可能对菌株性能产生相互关联的影响。机理模型难以纳入所有影响因素及评估其协同作用对宿主代谢的影响。相比之下，数据驱动技术，比如人工智能，可以从数据中捕获复杂的模式和多细胞尺度的关系，人工智能可以成为多尺度建模和过程优化的一个有前途但尚未开发的解决方案。 

　　近日，中国科学院天津工业生物技术研究所生物设计中心平台实验室和圣路易斯华盛顿大学联合在Current Opinion in Biotechnology发表邀请综述，文章综述了人工智能用于指导代谢工程和发酵优化的最新进展，重点关注如何将人工智能纳入DBTL循环加速菌种开发。文章从人工智能辅助代谢网络模型构建、菌种设计、知识挖掘等方面进行综述，以丰富的例子阐述了人工智能目前在DBTL循环中的重要应用。最后，文章对未来工作重点进行了论述，第一，人工智能与基于机理的模型的集成是未来的重要发展方向，当前的机理模型无法模拟复杂的非线性代谢反应，人工智能可以通过从数据相关性和模式识别中以数字方式捕获复杂的代谢关系；第二，目前的知识挖掘和特征工程仍然不发达，有必要为高质量的人工智能应用建立结构化的生物制造数据库。从长远来看，知识挖掘和标准数据库构建、人工智能与代谢网络等机理模型的集成将减少实验室在DBTL方面的工作量，将主要工作负担从人类转移到计算机，加快微生物细胞工厂的开发。 

　　该研究得到国家重点研发计划、天津市合成生物技术创新能力提升行动项目和中国科学院青年创新促进会的支持。天津工业生物所廖小平副研究员为论文的第一作者，马红武研究员和圣路易斯华盛顿大学的唐寅杰教授为论文的共同通讯作者。  

　　文章链接 

机理模型和人工智能相结合是未来加速DBTL循环的关键技术