《Mycology》：AI-enabled fungal biomanufacturing: from genome mining to the artificial intelligence virtual cell
摘要：真菌因其强大的分泌能力、代谢多样性和对工业过程的适应性，成为可持续生物制造的重要底盘生物。在人工智能（AI）快速发展的推动下，使机器能够从数据中学习模式并进行预测的计算方法，与组学技术和合成生物学相结合，数据和模型驱动的策略正日益重塑真菌细胞工厂的设计与优化。本综述总结了AI赋能真菌生物制造的最新进展，涵盖AI辅助的基因组挖掘、酶与途径分析、基因组编辑、代谢网络建模以及智能发酵控制。该综述进一步强调了人工智能虚拟细胞（AIVC）这一新兴概念，它将多组学数据、机理建模和基于机器学习的方法整合到一个统一的多尺度框架中，用于模拟动态细胞行为。本文回顾了AIVC在真菌代谢工程、药物发现、农业和环境生物技术领域的技术基础和潜在应用。最后，重点指出了关键挑战——数据质量与标准化、跨尺度模型集成与可解释性，以及计算机模拟预测与实验验证之间的差距。本综述为AI和虚拟细胞技术在推进下一代真菌生物技术中的作用提供了系统性视角。
1. 引言
真菌生物技术位于现代生物技术与工业工程的交叉点，能够实现高价值化学品、酶、生物材料及天然产物的规模化与可持续生产。与传统的化学合成路线相比，数据驱动的生物制造提供了可再生且环境友好的替代方案，具有高资源效率，因此已成为支撑全球生物经济转型的关键支柱。组学技术、基因编辑、合成生物学和计算生物学的最新进展进一步将微生物，尤其是真菌，定位为基础研究和工业应用的多功能平台。
在微生物宿主中，真菌——特别是丝状真菌和酵母——因其强大的蛋白质分泌能力和广泛的代谢多样性，在工业生物制造方面展现出独特优势。丝状真菌能高效生产多种有机酸（如柠檬酸、乳酸和衣康酸），以及复杂的次级代谢产物和其他天然产物。真菌分泌系统和代谢途径固有的可塑性为异源蛋白表达、代谢工程和可持续生物制造提供了广阔机遇。特别是，发达的分泌途径和复杂的胞外酶系统使丝状真菌成为工业蛋白质生产中极具吸引力的底盘生物。
在蛋白质层面，真菌细胞工厂的性能不仅受遗传和调控网络的影响，还受到其蛋白质组内在物理化学性质的塑造。全蛋白质组分析揭示，真菌蛋白质呈现分子量和等电点的结构化分布，具有明显的酸性蛋白质偏好和双峰物理化学组织。这些全局性的物理化学约束影响着蛋白质稳定性、细胞内定位和分泌效率，从而为蛋白质工程和AI驱动的真菌细胞工厂设计提供了必要的先验知识。然而，将这些内在优势转化为可预测的高产量生产仍具挑战。真菌基因组难以操作，调控网络复杂，代谢和分泌通量难以控制。此外，工艺放大常导致形态异质性、分泌效率降低和代谢不稳定性。
为应对这些挑战，AI和计算生物学的快速发展凸显了将合成生物学与AI驱动方法相结合的变革潜力。通过利用大规模多组学资源以及机器学习和深度学习方法，AI正在多个层面重塑真菌细胞工厂的设计，包括基因和调控回路设计、蛋白质和酶工程、代谢通量优化以及发酵过程控制。机器学习与系统级代谢建模及多组学分析的整合，正逐步将真菌生物制造从经验驱动策略转向数据和模型驱动的范式。
除了优化单个基因、酶或途径，一个新兴方向是将空间、结构和多组学信息整合到统一框架中，为虚拟细胞的构建铺平道路。这些空间分辨的系统级表征为下一代AI引导的真菌生物制造奠定了基础，使得分子特性、细胞结构和生物过程性能得以理性整合。然而，大多数AI在真菌生物技术中的应用仍然是碎片化和任务特定的。
在本综述中，研究人员使用术语“人工智能虚拟细胞（AIVC）”来描述一种集成的计算框架，它超越了现有的数字孪生或混合基因组规模代谢模型（GEM）-机器学习（ML）方法。传统生物技术中的数字孪生通常侧重于过程级模拟或生物反应器状态，而GEM主要在既定约束下描述代谢通量分布。相比之下，AIVC旨在将多尺度生物信息——包括分子结构、调控网络、代谢途径、细胞架构和生物过程环境——整合到一个统一的预测系统中。重要的是，在丝状真菌中，AIVC框架必须明确考虑真核生物特有的特征，如区室化代谢、复杂的分泌途径和形态依赖性生产力。这些特征将真菌AIVC模型与更通用的微生物建模框架区分开来。
在此背景下，本综述系统地审视了AI赋能的真菌生物制造。研究人员首先总结了当前任务特定的AI工具，包括基因组挖掘、酶分析和途径设计。随后讨论了这些方法如何逐步汇聚到集成的虚拟细胞框架，该框架旨在在一个统一的建模范式中连接分子机制、细胞动力学和生物过程性能。
2. AI挖掘与设计微生物组学数据
真菌具有强大的次级代谢产物生物合成能力，是许多临床重要药物的来源。然而，丝状真菌的生物合成系统本质上是复杂的。一方面，它们的基因组含有大量沉默或隐秘的生物合成基因簇（BGCs）；另一方面，对已知生物合成途径的理性改造受到对调控网络、酶动力学和途径通量分布不完全认识的限制。因此，传统的“构建-测试-学习”循环往往耗时费力，成为真菌天然产物开发的显著瓶颈。AI的最新进展引入了一系列强大的工具来应对这些挑战。本节首先总结了与丝状真菌生物合成特别兼容的AI框架，然后重点介绍了从基因组挖掘到途径/功能解释的代表性AI应用。
已有几项研究开始展示使用AI辅助方法在真菌系统中取得的可量化改进。例如，机器学习辅助的代谢建模已被用于鉴定嗜热毁丝霉中有机酸生产的关键调控节点，通过靶向代谢重连提高了产品产量。同样，基于深度学习的sgRNA活性预测通过改进引导RNA选择，提高了丝状真菌中的CRISPR编辑效率。尽管如此，AI模型的实践部署仍面临挑战。模型预测可能受到有限训练数据集、生物参数不确定性以及在不同菌株或发酵条件下结果难以重现的影响。解决这些限制需要标准化的数据集、透明的模型评估，以及计算预测与实验验证之间更紧密的结合。
2.1 AI框架与丝状真菌生物合成的高度适用性
监督学习方法可用于分类BGC或利用已知特征进行基于回归的预测。深度学习模型进一步展示了从原始或高维数据中自动提取信息特征的强大能力，实现了蛋白质结构预测、质谱分析和菌丝图像识别的突破。此外，自然语言处理（NLP）有助于从大规模科学文献和数据库中提取非结构化的生物合成知识。通过构建具有显式实体关系和逻辑推理能力的知识图谱，基于NLP的方法连接基因、酶、反应和代谢物，从而支持途径假设和功能注释。生成式AI模型可以学习分子结构或蛋白质序列的统计分布，并生成具有所需特性的新型变体，促进新生物活性化合物的设计或生物合成组分的优化。强化学习通过与模拟环境的迭代交互，可以识别最优决策策略，并已应用于动态调控回路的设计和发酵过程参数的优化。总的来说，这些AI范式可以部署在丝状真菌生物合成的主要阶段——发现、功能解释和生产优化。
2.2 丝状真菌生物合成中广泛采用的AI技术
智能基因组挖掘方法越来越多地用于识别新型BGC和天然产物。AI驱动的基因组挖掘以前所未有的深度和广度揭示了真菌的代谢潜力。经典工具如antiSMASH建立了基于同源性比较和规则驱动模式识别的分析框架。然而，同源性和基于规则的管道对于非典型簇效果不佳，这促使了超越保守基序的表征学习方法的发展。
最近，基于深度学习的方法将DNA序列编码为数值表示并进行深度特征学习，使得能够识别缺乏保守结构域的非典型或远缘基因簇，从而大大扩展了真菌生物合成基因的发现空间。基因组挖掘与基于质谱的代谢组学的深度融合已成为天然产物发现的关键范式。此外，基于知识图谱的反向生物合成工具可以根据精心整理的生化规则推断目标分子的合理生物合成途径，为激活沉默基因簇提供可行的假设。
阐明真菌BGC的功能逻辑是对这些途径进行理性改造的前提。在此背景下，AI充当生物合成途径的“解码器”，能够在蛋白质和途径两个层面实现系统的功能推断。在蛋白质结构层面，AlphaFold的出现彻底改变了结构预测，允许对先前未知构象的真菌酶进行精确建模。然后可以将结构信息与分子对接和活性位点分析相结合，以推断底物特异性和催化机制。在途径层面，生化规则与机器学习的整合使得能够预测复杂酶系统中的底物特异性和组装顺序，为非核糖体肽合成酶的真菌次级代谢产物的生物合成逻辑提供了关键见解。深度学习模型也越来越广泛地应用于预测酶的区域选择性和立体选择性，包括由细胞色素P450酶介导的羟基化模式。
在智能发酵与调控研究中，AI驱动的监测和控制系统构成了实验室规模研究与工业生产之间的关键桥梁。基于深度学习的图像分析系统可以自动识别和量化丝状真菌发酵过程中的菌丝形态，为生理状态评估和过程优化提供直观指标。时间序列预测模型可以进一步整合在线传感器数据，构建关键状态变量的软测量模型，实现趋势预测和异常检测。在此基础上，先进的过程控制策略，如机器学习与模型预测控制的结合，能够实时优化操作参数。此类方法已在青霉素发酵过程的稳定性和产量提升方面显示出成效。
尽管取得了快速进展，一些挑战仍然制约着AI驱动的丝状真菌生物合成。高质量、多维度和一致注释的数据集仍然稀缺，数据碎片化、格式异构和有限的注释深度严重限制了先进AI模型的训练效率和泛化能力。同时，计算模型的快速迭代与实验验证固有的缓慢步伐之间存在显著的时空不匹配，突显了对高效闭环系统的需求。更根本的是，丝状真菌表现出复杂的基因组、多层级的调控架构、形态可塑性和强环境响应性，导致其表型远比细菌或酵母复杂。尽管AI已成为真菌生物合成多个层面不可或缺的工具，但现有的大多数应用仍是任务特定和碎片化的，未能捕捉真菌细胞集成、动态和多尺度的特性。综上所述，这些局限性凸显了对一种统一计算范式的迫切需求，该范式能够将异质生物数据、机理知识和基于学习的模型整合成一个连贯的系统级表征。在此背景下，AIVC的概念作为AI辅助真菌生物合成研究的自然且必要的演变而出现，为整体、动态和可控的细胞模拟提供了基础，从而弥合分子机制与表型结果之间的鸿沟，实现真菌细胞工厂的真正理性设计和优化。
3. 为下一代真菌生物技术构建数字孪生
3.1 大数据与AI时代虚拟细胞的复兴
基于AI赋能真菌生物合成工具的迅速扩展，研究人员越来越认识到需要一个能够系统级捕获细胞行为的统一框架。虚拟细胞的概念早在21世纪初就已出现，但由于有限的数据吞吐量和简化的基于方程的框架，早期模型无法捕捉活细胞复杂的时空动态。随着高通量组学数据的快速积累以及单细胞和空间组学、细胞成像和大规模生物信息学资源的进步，我们对细胞内结构、代谢网络和调控机制的理解已扩展到前所未有的深度和广度。
尽管取得了这些进展，传统的数学模型在很大程度上仍然是基于规则和静态的：其参数严重依赖先验知识或实验测量，并且难以同时捕获调控、代谢、空间组织、时间动态和环境响应。这些局限性在建模复杂的真核细胞（如真菌）时尤为明显，其代谢、分泌、形态转变、细胞器相互作用和环境适应是紧密耦合的。AI，特别是深度学习、生成式建模和多模态数据整合方面的最新突破，正在迅速将异质的、高维的生物数据集统一成连贯且可操作的虚拟细胞表征。在此背景下，AIVC的概念作为一个多尺度和多模态的计算框架或数字孪生应运而生，能够在不同的环境条件和扰动下动态模拟分子、细胞和组织水平的行为。这种从纯粹基于规则的建模向集成数据和模型驱动方法的转变，促进了AIVC在系统生物学和生物工程领域的正式确立和日益普及。在真菌生物制造中，AIVC具有特殊前景：除了工业优化之外，它为理解致病性和抗真菌耐药性提供了新的机会，同时增强了代谢建模，实现了理性途径设计，并加速了用于可持续生物制造的自主菌株进化。
3.2 AIVC的技术框架
构建可信赖的虚拟细胞依赖于几个核心组件和方法论支柱，其中多组学和多维生物数据的系统整合构成了AIVC的基础。通过联合纳入基因组学、转录组学、蛋白质组学、代谢组学、单细胞和空间组学、细胞成像、细胞器结构信息和时空动态，AIVC框架能够重建一个全面的细胞景观，不仅捕获细胞的静态架构，还能捕获其动态状态和对环境线索的适应性响应。这种整合能力对于细胞组织以区室化代谢、极性生长和广泛的细胞器水平相互作用为特征的丝状真菌尤为关键。
AIVC构建中的一个关键障碍是底层多组学数据的质量和分辨率。AI模型性能对测序读长类型、深度和技术偏差高度敏感。此外，AI模型构成了虚拟细胞的计算核心，利用生成式和表征学习能力来重建空间分辨的细胞结构和功能交互网络。除了静态描述，一个稳健的虚拟细胞必须模拟细胞在不同环境条件和扰动下的响应。代表性模型勾勒了当代虚拟细胞研究的四大主要技术轨迹，说明了互补方法如何在各种条件下共同捕获细胞复杂性。总而言之，这些策略推动虚拟细胞构建从统一表征走向可控生成，从因果推断走向机理理解，从分子尺度描述走向组织水平组织。这一轨迹预示着一个未来，即虚拟细胞系统越来越强调多尺度整合、生成能力、可解释性和可控性，从而为生物过程模拟、精准药物设计和下一代生物工程应用提供关键基础。
3.3 AI驱动虚拟细胞在真菌中的潜在应用
AIVC技术正在深刻影响真菌系统生物学和计算建模。通过整合多组学数据与深度学习和多尺度模拟框架，AIVC能够对动态真菌细胞过程进行计算机模拟建模。越来越多的证据表明，AIVC在五个主要应用领域具有巨大潜力，涵盖生物制造、致病性、药物发现、农业和环境系统。
在生物制造和代谢工程中，AIVC框架有助于重建真菌代谢网络，并在不同环境条件下实现从基因型到表型的预测。机器学习辅助的基因组规模代谢建模已在真菌系统中显示出有效性，基于AIVC的通量预测为理性菌株设计和发酵优化提供了关键支持。
在工业应用之外，虚拟细胞模型已越来越多地应用于真菌致病性和宿主-真菌相互作用的系统级分析。针对白色念珠菌的预测性感染模型已揭示动态免疫相互作用和潜在的逃逸机制。同时，AIVC能够对药物-靶点相互作用进行系统级建模，支持对抗真菌功效和耐药机制的预测。
AIVC通过实现AI驱动的虚拟筛选和耐药性预测，进一步助力抗真菌药物发现。选择性抗真菌化合物已通过此类方法被识别。基于虚拟细胞的模型也支持对关键代谢酶中耐药相关突变的预测，它们与分子动力学和系统药理学的整合促进了高通量筛选和耐药性演化分析。
在农业系统中，AIVC模型能够模拟曲霉属和镰刀菌属等产毒真菌的生长动态和真菌毒素生物合成，从而支持早期风险评估和靶向干预策略。结合虚拟微生物建模的AI辅助生物防治框架也被提出，以支持对维管束真菌病原体的可持续管理。
最后，AIVC已应用于真菌介导的环境修复，通过对复杂环境条件下的污染物降解途径和代谢响应进行建模。代表性应用包括多环芳烃降解和重金属吸附的模拟，并结合环境参数优化。与生态网络分析的整合进一步实现了协同真菌群落的理性设计，以实现适应性和高效的污染物降解。
总体而言，AIVC为将异质数据和模型整合成预测性真菌数字孪生提供了蓝图。然而，实现这一愿景也取决于菌株工程和生物过程操作方面的近期进展。下一节总结了AI如何赋能基因组编辑、代谢重设计和智能发酵，作为迈向AIVC驱动真菌生物制造的关键构建模块。
4. 通过智能设计与操作推进真菌细胞工厂发展
虽然AIVC提供了预测真菌行为的计算蓝图，但智能菌株设计和动态发酵构成了实现这些预测所需的物理执行层。高性能细胞工厂的构建和优化直接决定了生物基产品能否在成本、效率和可持续性方面与传统石油基产品竞争。系统生物学和合成生物学的进展已成功实现了对黑曲霉、里氏木霉和嗜热毁丝霉等丝状真菌的工程化改造，用于生产生物燃料、酶、药品和其他高价值产品。
4.1 AI赋能的丝状真菌基因组编辑与表达设计
全基因组合成和精准基因组编辑工具的进步已将丝状真菌工程从低通量的试错策略转变为高效、可编程的方法。CRISPR/Cas系统极大地降低了多基因操作的技术门槛，使得常规的多位点敲除、过表达和调控元件重建成为可能。尽管取得了这些进展，性能优化仍有必要，特别是在提高单导向RNA（sgRNA）活性和减少脱靶效应方面。早期研究采用传统的机器学习方法来预测CRISPR-Cas9效率，但受到数据规模和特征表示的限制。最近，高通量筛选与深度学习的整合显著提高了sgRNA活性预测的准确性。这种方法克服了传统支持向量机（SVM）模型在处理大规模数据和复杂序列特征方面的局限性，捕捉了非线性关系和序列模式，从而改进了sgRNA活性和特异性预测。总体而言，将深度学习与高通量实验数据相结合，为sgRNA设计和基因组编辑效率优化提供了一个稳健的计算框架，为高精度微生物工程和下一代基因组工程策略奠定了基础。
尽管已经实现了高效、精准和可扩展的基因组编辑，但进一步提升丝状真菌细胞工厂的性能依赖于对基因序列设计、表达调控和代谢资源分配的系统性优化。在异源蛋白生产的背景下，单一层面的基因修饰往往不足以充分实现工程化潜力。因此，研究重点已从“是否可能编辑”转向“如何理性设计”。数据驱动的方法，如机器学习，越来越多地被用来解读异源蛋白表达效率的决定因素，并为多层次工程策略提供定量指导。机器学习模型可以准确预测黑曲霉中的异源蛋白表达。通过从大规模序列和表达数据中学习，这些模型识别出影响转录、翻译和分泌的关键特征，从而实现高效表达系统的理性设计。除了基因层面的优化，机器学习已被广泛应用于系统性筛选和优化调控元件，包括启动子和信号肽组合。将机器学习整合到设计-构建-测试-学习（DBTL）循环中，可以实现启动子-信号肽组合的迭代优化，不仅提高了表达效率，还稳定了各批次发酵的生产性能。
随着多组学数据的持续积累以及深度学习在特征表示和非线性建模方面的进步，有望更深入地阐明限制异源蛋白表达的关键分子机制，准确定位限速步骤，并在序列设计、调控网络和代谢资源分配之间实现多层次的协调。这将使得构建用于工业应用的丝状真菌蛋白表达的稳健端到端平台成为可能。
4.2 AI驱动的代谢网络建模与细胞工厂设计
随着基因组编辑和计算设计的进步，丝状真菌工程已从局部的、途径特异性的优化发展到系统范围的、基因组规模的设计。这种转变使得代谢网络重建成为可能：模块化设计和精确的通量控制允许整合异源途径以超越宿主的代谢限制，同时可以构建合成途径以重新编程碳和能量分配，从而扩展高价值化学品、药物前体和功能性材料的生产潜力。高通量自动化促进了基因操作的快速实施。然而，细胞代谢本质上是复杂的，涉及多层次调控、途径串扰、反馈回路以及对有限资源的竞争。
在此背景下，传统的试错式代谢工程不足以应对高维设计空间和系统复杂性。计算建模因此成为连接基因操作与表型结果的关键桥梁。基因组规模代谢模型（GEM）整合了基因-蛋白质-反应（GPR）关系，在全球范围内描述代谢网络结构和通量分布，从而能够预测代谢瓶颈、识别工程靶点并评估设计可行性。
对于工业底盘菌株，GEM指导与生产力相关的基因的选择，并作为多组学整合的支架，以阐明期望表型背后的机制。在黑曲霉中，已开发出诸如iMA871、iHL1210和iJB1325等GEM。后续研究将这些模型扩展到包含动态通量平衡分析，捕获柠檬酸发酵过程中时间依赖的代谢特征，并根据实验数据验证了模型预测。多基因和多途径工程呈指数级增加了设计复杂性，使得穷举搜索在计算上变得棘手。包括遗传算法和进化算法在内的元启发式算法已被用于有效探索这些高维空间。
嗜热毁丝霉是一种具有工业潜力的嗜热丝状真菌，但其复杂的代谢网络历史上限制了理性工程。研究者构建了首个基因组规模代谢模型iDL1450，覆盖了中心代谢和木质纤维素降解途径。模型验证显示其对碳氮利用的预测准确，且与转录组学整合揭示了温度依赖的代谢重编程。尽管iDL1450是研究嗜热毁丝霉代谢的有力工具，但传统GEM依赖于化学计量约束，常常忽略酶容量、动态代谢变化和复杂的生理反馈，限制了其在工业菌株设计中的实用性。为了克服这些限制，研究者对iDL1450进行了精炼，生成了下一代基因组规模模型iYW1475。通过使用ECMpy工作流引入酶约束，他们开发了酶约束GEM（ecGEM），增强了代谢预测准确性，为分析代谢调控提供了生理相关的框架，并使模型引导的策略能够改善菌株性能，从而促进其在木质纤维素生物转化和工业生物制造中的应用。
利用基因组规模代谢模型，研究者成功地将嗜热毁丝霉应用于高价值化学品的生产。对模型的计算分析鉴定了参与琥珀酸形成的三种胞质酶，并揭示了大部分副产物琥珀酸主要在线粒体中产生。在这些见解的指导下，研究者实施了代谢工程策略以优化碳通量，最终获得了一个高产苹果酸且副产物琥珀酸极少的菌株，显著提高了产品纯度和工业适用性。
AI，特别是机器学习和深度学习模型，能够处理复杂的实验、组学和代谢模拟数据，促进高效的菌株设计和代谢途径优化。AI擅长从大型数据集中提取模式，进行全局优化，预测最佳基因编辑策略，并快速识别限速步骤，从而为代谢工程提供有效的解决方案。然而，即使是经过最优设计的菌株也需要能够维持期望细胞状态的生物过程环境；因此，智能发酵成为了连接菌株设计与工业性能的执行层。
4.3 AI辅助的智能发酵优化
基于上述任务特定的AI工具，需要一个集成的框架来协调菌株设计、代谢调控和生物过程优化。从AIVC的角度来看，发酵代表了在受控环境扰动下细胞状态动力学的宏观表现。传统的微生物发酵依赖于试错法或静态的实验设计方法。随着智能生物加工的兴起，控制策略正从反应式转向预测式，利用数据驱动的建模进行决策支持。机器学习模型越来越多地被用于预测滴度和优化过程，通过捕捉非线性动态和识别影响生产变异性的关键变量。
在AIVC框架内，智能发酵可以被概念化为一个闭环的状态-行动-反馈系统，其中传感器衍生的观测值不断更新虚拟细胞状态，指导实时控制决策。智能发酵整合了在线传感器和多维生长监测，动态调整补料、搅拌和诱导，防止代谢超载并最大化生产率。研究者采用人工神经网络（ANN）结合响应面法（RSM）优化发酵参数，使L-天冬酰胺酶活性提高了1.36倍。实时数据采集、动态过程控制和机器学习算法的整合使得智能系统能够为异源蛋白生产提供精确且可扩展的策略。高通量转录组学（RNA-seq）提供了对调控和代谢途径的全局洞察，将发酵从一个“黑箱”转变为一个可预测的、基于机理的系统。从虚拟细胞的角度来看，高维拉曼光谱和组学信号对应于潜在细胞状态的部分且有噪声的观测，需要表征学习和概率建模来提高状态可观测性。然而，在线分析技术如拉曼光谱面临着高维度、共线性和信号干扰等挑战。为解决这些问题，应用数据驱动建模从高维光谱数据中提取关键特征并构建预测模型。随机森林（RF）擅长建模复杂的非线性关系和评估特征重要性，而贝叶斯岭回归（BR）在高维和共线性条件下提供了稳健的估计。作为一个案例，研究者开发了一个过程级数字孪生，作为AIVC的执行层，整合了数据驱动建模、机理分析和实时传感，以动态控制α-淀粉酶的生产，实现了显著的产量提升。这项研究展示了一种模块化和智能化的精密发酵策略，整合了预测建模、组学分析和基于传感器的控制，为自动化和智能化生物过程建立了新范式。
总的来说，AI辅助的智能发酵构成了AIVC的过程级执行层。展望未来，AI驱动的丝状真菌生物制造有望通过实现高效、精准和自适应的生产系统来革新工业生物技术。机器学习和深度学习与多组学数据集、GEM和高通量基因组编辑的整合将允许理性设计具有优化代谢途径、调控网络和资源分配的菌株。未来的系统很可能具备自主的、实时的发酵控制功能，能够动态调整营养供应、环境条件和基因表达，以最大化产品产量和稳定性。这类AI赋能的平台将加速开发适用于多种应用的真菌细胞工厂，同时降低实验成本和时间。最终，AI与丝状真菌生物技术的融合将推动更稳健、可扩展和环境可持续的生物制造过程，将真菌定位为下一代绿色产业的多功能智能微生物工厂。
5. 结论
尽管AI技术已展现出巨大潜力，但AIVC框架的许多组成部分仍在发展中。当前的模型往往依赖于不完整的数据集和简化的生物学假设，其预测性能可能因物种、实验条件和工业规模而异。真菌，特别是丝状真菌，为可持续生物制造提供了非凡的潜力，但其工业应用受到真核调控、区室化代谢和形态依赖性生产力的限制。本综述强调了AI如何改变真菌生物技术，从BGC发现和功能注释到基因组编辑、代谢网络建模和智能发酵。最近的进展显示了从孤立的、任务特定的AI工具向可预测和可控的真菌细胞工厂设计的转变。
来自文献的一个关键见解是，性能提升依赖于协调分子设计、细胞状态和生物过程执行，而不是优化单个基因或途径。在丝状真菌中，分泌能力、细胞器组织、菌丝生长和应激反应是紧密相连的；因此，在一个层面的优化可能会被另一个层面的瓶颈所抵消。这种相互依赖性驱动了整合机理模型（如GEM）与机器学习的混合策略，从而能够做出准确且可操作的预测。
尽管进展迅速，挑战依然存在。首先，许多深度学习架构的“黑箱”性质限制了机理可解释性，使得当AI引导的预测失败时，难以进行体内故障排除。其次，当前的计算模型难以准确模拟由异源蛋白表达引起的复杂代谢负担和细胞应激反应，常常导致产量高估。此外，数据限制仍然是根本性问题，因为真菌多组学和生物过程数据集稀疏、异质且缺乏标准化元数据。最后，存在严重的可扩展性差距：在高度受控的实验室规模组学数据上训练的AI模型，经常无法预测工业规模生物反应器中真菌的行为，而在后者中，剪切力和异质传质等物理因素占主导地位。
展望未来，迈向自主真菌生物制造的进展很可能依赖于一个整合了标准化数据、混合建模和实时控制的协调框架。为了将这一长期愿景从任务特定模型推向整体的、可控的数字孪生，该领域必须在不久的将来瞄准三个具体的里程碑：（1）为真菌多组学建立具有FAIR元数据的标准化社区数据集；（2）开发将机理模型与机器学习相结合的第一代基准真菌AIVC；（3）展示配备定义明确的在线传感器阵列的全闭环DBTL循环，用于实时生物过程控制。通过将异质生物数据整合到一个统一的动态模拟中，AIVC框架为实现这些里程碑提供了关键路径。
最终，从面向单个任务的AI转向面向集成真菌系统的AI，预计将定义真菌生物技术的下一个阶段及其对绿色产业的影响。未来的研究应优先考虑将机理模型与机器学习相结合的统一计算框架，建立标准化和可共享的数据集，并实现闭环DBTL循环，从而加速开发稳健、可扩展和可持续的真菌细胞工厂。
