AI真能“颠覆”合成生物？聚焦四大应用场景揭秘

“AI+生物制造”正在越来越受关注。

在政策端，国家层面接连发文促进生物制造产业自动化、智能化，并发布了人工智能在生物制造领域典型应用案例名单；在产业端，各大生物制造企业纷纷引进人工智能，甚至有相关公司正在冲刺IPO。

但是与此同时，AI到底能与生物制造产业哪些场景适配、能带来多少变化、能力边界又在何处，一直是业内探讨的热点问题。

对此，近日美国知名科技研究机构Lux research发布《AI in Synthetic Biology: Necessary or Nice to Have?》（合成生物学中的AI：必不可少还是锦上添花？）一文，聚焦AI+合成生物的四大应用场景分析，该研究机构认为：

• 在新分子发现方面：AI具备不可替代的优势，但并非实现新型化合物的唯一途径。
• 在菌株/酶工程方面：AI具有显著增益价值，但是并非不可替代，而且模型严重依赖既定原理和框架，可能需要5到10年才能带来全新改变。
• 在实验室自动化方面：AI可提升效率，但在监督、规划、创造和决策方面往往依赖人工。
• 在工艺优化方面：AI在高维、非线性环境中可发挥一定作用，然而多数工艺优化都通过传感器有效完成，但是未来两到三年内，AI对生物工艺优化很可能会越来越必要。

该研究机构表示，合成生物学已因过度炒作承受后果——2017至2021年的投资周期就是被那些未能带来商业回报的大胆承诺所驱动，随着人工智能崛起，合成生物领域面临重蹈覆辙的风险。

AI已成为当前合成生物学平台的常见配置，但其技术必要性常常含混不清：尽管会承诺缩减设计周期和提升性能，但许多平台仅将“AI”作为“高级分析”的代称，缺乏可验证的功能差异。

动脉网特对全文进行翻译和梳理，具体如下。

01.

新分子发现：AI具备不可替代的优势

“AI驱动的新分子发现”指的是利用生成模型专门设计蛋白质、用于材料的聚合物、药物，或其他任何自然界不存在的化合物。

这些模型是基于一组通用的生物和化学属性，其目标是探索复杂的“序列-功能”关系，并进入超越同源或基于规则方法所能触及的未知设计空间。

AI在新分子发现领域的应用不仅可显著提升速度、通量与筛选能力，更可实现其他方法无法达到的独特分子性质与功能。

这些模型可探索超越人类认知能力的化学组合空间，突破传统定量构效关系（QSAR）模型局限。

例如华盛顿大学团队采用 “全家幻觉（family-wide hallucination）”机器学习平台，生成超100万种全新口袋形状的蛋白质，成功开发出催化活性与天然酶相当但底物特异性显著提升的荧光素酶。

企业案例Cambrium利用生成式AI开发出全球首个“100%人源结构”胶原蛋白。

然而人工智能并不是实现新型化合物的唯一途径——随机突变和定向进化也可以在一定参数范围内（例如通过现有的细胞代谢网络所能实现的）实现这一目标。

02.

菌株/酶工程：AI具有显著增益价值

“AI驱动的菌株/酶工程”指应用机器学习模型引导微生物菌株或蛋白序列的生成，以提升性能。

通过数十年积累的专业知识和标准分析方法，人类已能开展定向进化、理性设计和通路工程，但这些方法仍受限于使用规模、反馈速度，以及难以处理非线性突变互相影响或高维优化问题。

相比之下，AI可探索大型组合序列空间来检测表观性，并减少达到高性能方案所需的实验轮次。

例如江南大学研究证实：AI模型从表征充分菌株中锁定特定基因组模式，实验次数少于传统设计，脂肪醇产量提升逾50%；以及Cradle Bio公司利用生成式蛋白模型，将传统2-3年酶开发周期压缩至数月。

但是AI在此领域的应用仍存在两方面局限：

一方面，许多改进即便没有AI也能实现，尤其在范围狭窄或表征充分的系统中。尽管AI的使用在菌株和酶工程方面体现出高价值，但并非不可替代，毕竟人类早已开展菌株优化。

另一方面，大多数菌株工程中的AI会从现有菌株或酶出发，采用自上而下的预测方法，来评估基因敲除等变化可能产生的影响。

但是这些模型严重依赖既定的生物与化学原理，大多在人类定义的框架内运行，而非提供完全生成性的自下而上解决方案。

03.

实验室自动化：AI可提升效率，但决策仍依赖人类

“AI驱动的实验室自动化”指将机器学习与实验平台整合，以闭环方式自主设计、执行和分析实验。

与传统的预设流程机器人系统不同，AI赋能平台可主动从实验结果中学习，迭代选择最有信息量或最有前景的实验，然后继续执行，有利于提高效率。

例如劳伦斯伯克利国家实验室A-Lab项目通量提高100倍，估计将原本需10年的材料发现周期缩短至6个月；Ginkgo Bioworks铸造厂平台整合多组学数据训练预测模型，实现优先选择菌株变体与实验条件。

由此可见，AI可支持动态决策、自适应实验规划和自我引导迭代，没有AI，实验会受限于线性流程和人力瓶颈。

然而需要注意的是：

首先，虽然在AI帮助下，实验室自动化可有效提高通量和可重复性，但通常需要依赖人类监督来解释数据和规划下一步。

其次，许多专业人士认为实验设计的核心在于人类的解释与创造力，这一决策过程AI无法复制，因此虽然AI对实现自主实验至关重要，但并非实验室自动化的基本必需品。

另外，在结合创造性、跳出框架的工作流程以确定研究结论时，AI的自适应实验计划存在显著风险。

04.

生物制造工艺优化：AI属于增值型可选技术

“AI驱动的生物制造工艺优化”指利用机器模型预测、控制和改进发酵及下游处理中的工艺参数，这些参数会影响细胞健康、突变率和产量。

这些机器可以是预测型（如多元回归、神经网络）或自适应型（如强化学习），通常作为数字孪生部署，以模拟和优化工艺性能，或集成到实时控制系统中。

传统的工艺优化方法包括基于传感器的控制回路和多元统计分析，往往能为表征充分的系统提供足够的洞察和控制。但在高维、非线性环境，或存在未知的交互因素影响工艺结果时，传统方法便捉襟见肘。

AI通过在大数据集中检测细微关联、跨操作范围泛化，并实时调整控制策略，可以增强了传统工具的效果。

例如伦敦大学学院验证：在模拟共培养生物反应器中，强化学习有利于动态调节营养进料与流速，解决传统比例-积分-微分（PID）控制器无法维持物种平衡的难题。

以及在产业界，Pow.Bio平台通过AI增强来分析揭示生物工艺变异源头，今日提前预警生物反应器条件变化导致的潜在突变。

但是对于大多数工业应用而言，生物工艺优化可以在无需AI的情况下，通过传感器有效进行，尤其在运行条件稳定或在已知范围内变化时。

这意味着虽然AI在预测非最优条件或响应变化时，在考虑到并响应各因素间的相互依赖关系方面有所价值，但尚未从根本上重新定义工艺优化的空间。

05.

未来两到三年，AI对工艺优化会越来越重要

人工智能的最大影响在于可能带来的根本性变化，而不仅仅是对现有工作流程的优化，

当前合成生物学领域对AI“必要性”的认知整体而言可能被高估——但随着某些领域的技术发展，这种情况可能改变。

首先，随着合成系统变得更模块化，自下而上的细胞构建变得可行，那么AI在菌株和酶工程中的必要性可能会随时间增加。如果这些合成系统从预测平台演变为生成平台，即不仅能推荐变体，还能提出全新的功能架构，那么AI将从“有用”变为“不可或缺”。

其次，如果AI在生物工艺中的进展能够超越模式识别，发展为整体性、前瞻性控制系统，能够检测并应对污染或代谢等方面挑战，那么就可能对复杂多变的生物制造过程变得至关重要。

AI用于生物工艺优化很可能在未来两到三年内变得越来越必要，因为像Pow.Bio这样的公司已在努力整合前瞻性控制机器学习系统。

相比之下，AI在菌株工程中的作用仍有些停滞不前，有意义的进展将取决于细胞构建（如合成系统）技术的突破，相关研究可能需要5到10年才能真正带来全新的改变。