综述：人工智能驱动的工程生物学与新兴技术的融合推动全球网络化自主生物铸造厂发展

《Current Opinion in Biotechnology》：The convergence of AI-driven engineering biology and emerging technologies advancing globally networked autonomous biofoundries

　　

自合成生物学兴起以来，生物铸造厂（biofoundries）已发展成为推动工程生物学全球化的赋能基础设施。诸如基因组计划-编写（Genome Project-Write）、JCVI-syn3.0、Sc2.0、SynMoss及合成人类基因组计划等地标性倡议，显著提升了构建染色体规模DNA的可行性，并揭示了基因组功能与设计的关键原则。然而，细胞系统的内在复杂性以及设计-构建-测试-学习（DBTL）循环的资源密集型本质持续制约着创新。近期，人工智能（AI）、全细胞建模（whole-cell modelling）与数字孪生（digital twinning）的进展正创造机遇，催生自我完善的AI驱动生物铸造厂，其能够无缝整合计算机模拟（in silico）设计与验证，以及微型化、自动化的体外（in vitro）测试。本综述调研了塑造AI驱动合成生物学的技术，强调其与自动化、数字化和微型化的融合，以实现完全自主的生物铸造厂，从而在单一自适应框架内统一计算设计、自动化制造和数据驱动的学习。

人工智能驱动的工程生物学

该部分阐述了多种人工智能与机器学习（AI/ML）工具的发展，这些工具用于解析跨越中心法则的生物学数据集。这些技术正将生命科学从描述性的、基于特征的生物物理和统计建模转向由AI/ML模型实现的预测性设计，这一转变可与DNA合成技术最早应用于生物铸造厂时的冲击相媲美。新兴的基础模型（Foundation Models）和生成模型不仅能预测生物学功能，还能实现DNA序列的从头（de novo）创建。具体而言，在基因组层面，AI/ML模型通过分析复杂的基因组数据集（特别是来自高分辨率和单细胞测序的研究），识别统计和调控模式，为合理的基因组工程提供基础见解。这些框架日益应用于设计优化，支持在计算机模拟（in silico）中构建合成遗传回路和基因组尺度架构。在转录组层面，AI被越来越多地应用于mRNA、tRNA和非翻译区（UTRs）的合理设计与优化，将序列设计直接与可测量的功能结果联系起来。生成模型能够构建优化的mRNA，增强稳定性、翻译效率和蛋白产量。在蛋白质组层面，AI在建模序列-结构-功能关系及蛋白质的从头设计方面取得了实质性进展，能够预测折叠稳定性、结合亲和力和活性位点几何结构，从而设计出具有增强或新颖功能的酶和治疗性蛋白质。在代谢和系统层面，AI实现了遗传设计到细胞功能的映射，框架如BacterAI可在无先验知识的情况下推断微生物代谢网络，并与模拟的DBTL循环相结合，系统评估途径优化策略。

全细胞模型与数字孪生用于预测生物学

继AI辅助设计之后，计算机模拟建模框架，包括全细胞模型、虚拟细胞和数字孪生，正成为评估候选设计在不同细胞状态和环境背景下不可或缺的工具。先进的生物铸造厂正日益纳入对遗传构建体、调控动力学和代谢通量的预测性模拟，作为实验实施前的关键步骤。全细胞模型提供了基因型-表型关系在分子和系统层面的详细机制性、多尺度表征，使研究人员能够在物理构建之前预测涌现行为、权衡和资源分配。虚拟细胞的概念通过整合多组学、空间和时间数据，将其扩展为可计算的数字生物体，复制计算机模拟下的生物结构和功能。数字孪生则超越了数字细胞，涵盖整个生物加工环境，将机制模型与机器人执行日志和实时生物传感器数据相结合，实现持续反馈、自适应控制和过程优化。版本控制框架现在提供了完全可追溯、闭环菌株进化的基础。总之，全细胞模型、虚拟细胞和数字孪生构成了自主生物铸造厂的认知基础设施，计算机模拟验证为将数字设计转化为物理构建提供了理性基础。

生物铸造厂中的自动化与过程集成

自动化生物铸造厂正在重新定义工程生物学，通过用数据丰富的集成设施取代劳动密集型的手动实验，这些设施结合了机器人技术、模块化（modularity）和数字基础设施，以最大限度地减少人为错误并增强可扩展性。当代生物铸造厂平台配备了机械臂、多设备工作单元和模块化单元操作（如DNA组装、转化或培养），促进了复杂菌株工程工作流程的自动执行，并能根据项目需求或生物体复杂性进行动态重构。DNA合成和模块化设计策略的创新进一步巩固了这一自动化生态系统，大规模并行、基于微芯片的合成技术以前所未有的通量产生组装就绪的寡核苷酸。同时，实验室信息管理系统（LIMS）、云集成编排平台和AI赋能的实验室代理实现了工作流程的数字化，将自动化从机械执行扩展到算法决策，使自适应、数据驱动的实验成为可能，其中AI模型优先考虑实验、监控结果并实时完善假设。

标准、基准测试与互操作性

随着自动化生物铸造厂演变为高通量、数据密集型基础设施，可重复性和协作性越来越依赖于严格的标准化、基准测试和互操作性。标准化对于确保跨实验和平台的一致且可比较的测量至关重要。这种一致性支撑了可靠的基准测试，例如长读长测序技术在自动化分析管道内提供了稳健且具有成本效益的构建体验证。互操作性促进了仪器、软件环境和机构之间的数据、元数据和工作流程的无缝交换。社区驱动的标准，包括合成生物学开放语言（Synthetic Biology Open Language）、实验室操作本体论（Laboratory Operation Ontology）和FAIR数据原则，为一致的数据表示、交换和重用提供了结构化框架。通过将这些框架与可互操作的数据基础设施联系起来，生物铸造厂可以从孤立的自动化系统过渡到协调的分布式网络，能够大规模执行协作式DBTL工作流程。全球生物铸造厂联盟（Global Biofoundry Alliance）体现了这一模式，联合了全球的非商业生物铸造厂以共享基础设施、协议和最佳实践。

微型化与高通量原型设计

微型化和超高通量原型设计代表了生物铸造厂自主性的物理加速器，能够以更高的精度、效率和可持续性进行大规模实验。随着设计过程日益数字化和模型驱动，测试系统必须提供足够的数据质量和速度以维持持续的模型优化。传统的基于平板的检测无法匹配AI引导的DBTL循环所需的数据流速或可重复性。液滴微流控、无细胞表达平台和自动液体处理的进步改变了实验通量，使数百万个微观反应能够并行执行和分析。无细胞原型设计平台通过将测试与细胞限制解耦，将DBTL周期从数周缩短至数天。当与机器人操作和自动液体转移集成时，这些微型化系统形成了一个封闭的实验反馈回路。此外，微生理平台（即器官芯片，organ-on-a-chip）将微型化扩展到人类相关的生物学环境中，这些设备在微流控环境中整合了组织架构、灌注和多细胞共培养，以生成多模态数据集，用于更新数字孪生并增强功能和安全性预测的保真度。

未来展望：迈向完全自主和全球网络化的生物铸造厂

下一代生物铸造厂正通过整合生成式AI、数字孪生、微型化实验和可互操作的自动化，朝着完全自主的方向汇聚。尽管在AI/ML方面仍存在挑战（包括生物学背景依赖性、脱靶效应和宿主特异性变异），但该领域正在迅速发展，缩小了数字设计与物理实现之间的差距。未来的一个关键步骤是将现有框架从特征明确的微生物系统（如大肠杆菌）扩展到工业相关宿主和动态生物加工环境。其他科学学科已有实验室自主权的先例，如化学合成中的自动驾驶实验室和生物学的“机器人科学家”。随着基于AI的设计、数字孪生模拟、微型化测试和自动化制造的融合，生物铸造厂正从实验基础设施演变为智能的、自我优化的发现引擎。完全自主和全球网络化的生物铸造厂的成熟，有望使生物技术的获取民主化，重塑工业研发，并加速健康、可持续发展和气候韧性方面的创新。