编辑推荐：
在合成生物学领域，其发展受限于缺乏预测能力，培养基优化对获取商业可行的生产指标至关重要却常被忽视。研究人员开展了基于机器学习的半自动化培养基优化研究，用该方法优化恶臭假单胞菌生产黄酮菌素的培养基，发现 NaCl 是关键，显著提升生产指标，为合成生物学研究提供新策略。
在生物制造的奇妙世界里，合成生物学宛如一颗闪耀的新星，它怀揣着用可再生方式生产宝贵化学品的梦想，比如制造出用于衣物的合成丝绸、无肉却有肉味的汉堡，还有对抗疟疾和癌症的药物等。然而，这颗新星却被缺乏预测能力的乌云所笼罩。在合成生物学的流程中，培养基优化这一关键环节，就像被遗落在角落里的宝藏，常常被人们忽视。培养基优化旨在寻找能实现最大生产水平的最优培养基，这对于获得商业生产所需的高滴度、高产量和高转化率（TRY）至关重要。但传统的优化方法，如一次只改变一种成分的实验方式，不仅耗时费力，而且效果不佳，还容易忽略途径、宿主和培养基的共同优化。
为了驱散这团乌云，挖掘出培养基优化的宝藏，来自劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory）、能源部敏捷生物铸造厂（DOE Agile BioFoundry）等多个机构的研究人员挺身而出，开展了一项极具创新性的研究。他们将机器学习与自动化巧妙结合，构建了一个半自动化的活性学习流程，用于优化培养基。这项研究成果发表在《Communications Biology》上，犹如一道曙光，为合成生物学的发展带来了新的希望。
研究人员在开展研究时，主要运用了以下几种关键技术方法：首先是构建了一套半自动化的数据生成管道，该管道能够在三天内对多达 15 种培养基设计进行重复测试，为后续的机器学习提供了高质量的数据支持；其次，利用可解释人工智能（AI）技术中的 SHapley Additive exPlanations（SHAP）分析，确定了影响黄酮菌素生产的关键培养基成分；此外，通过主成分分析（PCA）来可视化培养基相空间，探究不同实验中培养基成分的变化规律 。
下面让我们深入了解一下这项研究的具体成果：
- 半自动化数据生成管道的开发：研究人员精心打造了一个半自动化管道，它就像一个高效的生产机器，能在三天内对 15 种培养基设计进行三到四次重复测试。这个管道自动化了培养基优化过程的大部分步骤，从培养基的合成、菌株的接种培养，到产物黄酮菌素的测量，都能有条不紊地进行。而且，它还具备高度的可重复性，无论是在同一实验周期内，还是不同周期之间，甚至不同用户操作时，都能保证实验结果的稳定可靠。这为机器学习算法提供了充足且高质量的数据，就像给机器注入了强大的动力，使其能够有效地指导工程化生产过程。
- 应用管道显著提高黄酮菌素产量：借助这个半自动化平台，研究人员开展了三个不同的实验项目（C1、C2、C3）。在这些项目中，他们成功地将黄酮菌素的滴度分别提高了 60%（以 Abs340测量为 148%）、70%（以 Abs340测量为 170%），将生产过程的产率提高了 350%（以 Abs340测量为 300%）。在优化过程中，研究人员发现所有项目都趋向于培养基相空间的相似区域，而且表现最佳的培养基中 NaCl 浓度极高，接近恶臭假单胞菌（P. putida）所能耐受的极限。同时，他们还发现葡萄糖浓度会影响滴度和产率之间的平衡，而较高的 NaCl 浓度可以缓解这种平衡的冲突。
- 特征重要性分析表明盐胁迫是提高产量的主要驱动力：通过 SHAP 分析，研究人员发现培养基中 12 种（或 13 种，取决于实验）可变成分中，只有 5 种对黄酮菌素的生产起着重要作用，其中 NaCl 的影响最为关键。在所有实验项目中，表现最佳的培养基中 NaCl 浓度是起始培养基的 8 - 9.2 倍。这一发现与传统基于质量作用动力学和转录组学分析的认知相悖，凸显了数据驱动方法的独特优势，能揭示出传统方法难以发现的规律。
- ART 在引导优化过程中优于其他先进方法：研究人员使用合成数据将自动化推荐工具（ART）与其他两种先进算法 JMP 和 gpCAM 进行对比。结果显示，在引导模拟的活性学习过程中，ART 在处理不同复杂程度的函数时，总体表现更优。它能够用更少的数据点获得相似的结果，或者取得更好的结果，这对于数据获取成本高昂的合成生物学领域来说，无疑具有重要的意义。
在研究结论和讨论部分，研究人员指出，活性学习能够以一种与宿主、产物和途径无关的系统方式优化培养基，不仅显著提高了生产效率，还发现了意想不到的关键培养基成分 ——NaCl。这一发现为生物制造开辟了新的可能性，比如可以考虑使用微咸水作为生产环境，从而降低生产成本和环境影响。同时，研究还表明，即使是不完美的测量指标（如 Abs340），在加速活性学习过程方面也可能具有重要价值。
此外，该研究中活性学习的响应提升并非单调递增，而是呈现出爆发性和不可预测性。这一现象提示我们，在实际应用中，确定何时结束一个实验项目并非易事。实验的可重复性对于活性学习的正常运行至关重要，而他们精心设计的半自动化管道恰好满足了这一需求，有效减少了实验误差，提高了实验效率。
总的来说，这项研究为合成生物学的发展提供了新的思路和方法，展示了机器学习和自动化技术在生物工程领域的巨大潜力。它就像一把钥匙，打开了合成生物学高效发展的新大门，为实现商业可行的生物制造提供了有力的支持，也为未来相关领域的研究指明了方向。
