微信掃描二維碼
獲取公司更多資訊
公眾號：viablife
歡迎您關注唯鉑萊
21世紀是多元化的世紀，被稱為生命科學及信息化的時代，其間誕生的合成生物學、人工智能等學科引起了各國政府和國內外學者的廣泛關注。人工智能與合成生物學的結合，一方面是為了促進智能、全自動一體化的生物合成流程的形成；另一方面是為了推動人工智能向更深層次的方向發(fā)展，即將人工智能從日常生活的運用發(fā)展成科學研究的應用。人工智能與合成生物學的結合將在健康醫(yī)療、生物醫(yī)藥、復雜信號感知與識別、高性能仿真與計算等領域實現(xiàn)顛覆式的產業(yè)應用。
人工智能（Artificial Intelligence，AI）是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學，是一個總括術語，包含了計算機科學的幾個不同應用，大體上可以分為三類應用程序：(ⅰ) 機器學習（Machine Learning），主要表現(xiàn)為通過程序員設置的算法來分析已知特定結果的數據的監(jiān)督學習、通過算法分析未知結果的數據的分析以及測評算法本身的準確性的強化學習的三種形式；(ⅱ) 深度學習（Deep Learning），是一種“人工神經網絡”，主要表現(xiàn)為模仿人腦處理信息和做出決策，識別已知或未知的信息；(ⅲ) 認知計算（Cognitive Computing），代表一種全新的計算模式，包含信息分析、自然語言處理和機器學習領域的技術創(chuàng)新，能夠以更加自然的方式與人們進行交互。以一部智能手機為例，它是一款AI產品，能通過算法分析你平時瀏覽的信息數據，并在你下一次使用時向你推薦相關類似的信息，這是一種機器學習的表現(xiàn)；平時使用的指紋解鎖、臉部識別是智能手機的多種功能之一，而這種功能就是利用深度學習所表達出來的一種結果；除了識別外，語音助手也是智能手機的一類特色，如Siri、小愛同學等，都可以讓使用者可以更自然地與手機進行互動，這就是認知計算的一種結果。與智能手機同理，將AI與合成生物學結合，能夠創(chuàng)造出更多具有價值的產品。合成生物學（Synthetic Biology）就是以人工手段制造生物系統(tǒng)——人工生物系統(tǒng)，從最基本的要素開始一步步建立零部件，最后讓它們像電路一樣運行。合成生物學的主要研究內容分為三個層次：(ⅰ) 是利用現(xiàn)有的天然生物模塊構建新的調控網絡并表現(xiàn)出新功能；(ⅲ) 是人工創(chuàng)建全新的生物系統(tǒng)乃至生命體。基因測序、基因合成以及基因編輯技術的加速發(fā)展為合成生物學領域的研究奠定了堅實的基礎；而計算機、大數據、先進制造及自動化等AI技術為合成生物學的應用插上了騰飛的翅膀。
隨著AI和大數據時代的到來，深度學習技術在復雜對象的特征表征、多模態(tài)融合、樣本自動生成等問題中表現(xiàn)出獨特的優(yōu)勢，為生物分子的設計提供了新的可能。今年2月，澳大利亞研究人員在《EMBO Reports》期刊發(fā)文指出生命科學與信息科學融合產生的未來場景，可被看作生物信息的未來，提出了結合合成生物學及AI領域的生物鑄造廠（Biofoundries）的概念，其中包含了五項內容：(ⅰ) 彈性社會（Resilient Societies），即加強倫理、公正和包容的社會創(chuàng)新組成；(ⅱ) 健康人群（Healthy People），即關注健康結果、綜合保健與健康的研究；(ⅲ) 安全星球（Secure Planet），即維持人們相互依存的世界，并探索人們在宇宙中的位置；(ⅳ) 繁榮經濟（Prosperous Economies），即以可持續(xù)方式提高經濟生產力并促進繁榮的能力；(ⅴ) 創(chuàng)新技術（Innovative Technologies），即合成生物學和人工智能進一步發(fā)展的技術、系統(tǒng)、設計和實踐等。今年5月，國際學術期刊《Nucleic acids research》在線發(fā)表了清華大學汪小我副教授課題組的研究論文《基于深度生成式模型的大腸桿菌合成啟動子設計》。該研究首次采用人工智能方法設計產生全新的基因啟動子，為生物調控元件的設計和優(yōu)化提供了嶄新的手段。世界上將AI與合成生物學結合的應用還有很多，根據Simon Smith于BenchSci博客上發(fā)表的帖子可知，目前至少有230家在藥物研發(fā)中使用AI的初創(chuàng)企業(yè)，他們利用AI在合成生物學領域進行不斷地嘗試：有些企業(yè)通過AI收集相關合成生物學數據、提取文獻資料中的因果聯(lián)系，以此來分析、評估研究的發(fā)展方向、重點產品等，如Elucidata Corporation、Causaly、Biorelate等；還有些企業(yè)通過AI對疾病模型進行化合物測試，并以此來篩選有效的藥物，如Recursion Pharmaceuticals、Pharnext、Lantern Pharma等；但更多的企業(yè)是將AI用于基因組的創(chuàng)新創(chuàng)造，以此來開發(fā)更多全新的化合物，如Atomwise，這是第一家將機器學習應用于藥物設計和發(fā)現(xiàn)的企業(yè)，其首席執(zhí)行官AbrahamHeifets博士提到Atomwise的算法可以虛擬篩選的小分子化合物的數量幾乎沒有限制，他們已經篩選了120億個分子，大多是自然界中不曾存在過的，Heifets博士斷言，這些理論化合物的可用性正在迅速增加，在將來一定能夠發(fā)揮出較好的效用。
不論是AI還是合成生物學都還處于發(fā)展階段，并不是兩個非常成熟的領域，因此這可能會導致二者之間的深度聯(lián)系較難被發(fā)掘，甚至還可能影響到本身的發(fā)展。將AI與合成生物學結合需要大量的數據支持，包括各類研究信息、文獻資料等，單從數據結合這一方面考慮，就可以感受到工程量的巨大，更何況很多的數據信息屬于商業(yè)機密亦或是專利保護的范圍，很難通過合理的途徑將數據信息結合。AI本身的算法嚴謹與否也影響著AI與合成生物學的結合成果，若是不夠嚴謹，就會導致AI導出結果的可信度降低，那么利用其去促進合成生物學發(fā)展的構思也就失去了意義。因此，在重視AI及合成生物學本身發(fā)展的同時，還要注意二者結合中存在的不足之處，努力將其改進，才能更好地利用兩者的結合成果。
結語
雖然AI與合成生物學的結合仍然存在較為棘手的難點，但是從目前對它的研究可以看出在將來這樣的系統(tǒng)也許可以在細胞內工作，幫助回答生物問題或是診斷疾病。如果一個生化過程能夠對其它分子的存在做出智能響應，它將會允許研究人員制造出日益復雜的化學物質，或者搭建出新的分子結構。同時脫離科技應用的理念，這些系統(tǒng)的設計也可以讓我們間接認識到思維的進化過程。
參考資料：
1.https://blog.benchsci.com/startups-using-artificial-intelligence-in-drug-discovery2.Jd R E W , Jd G H J , Jd A B S . Artificial Intelligence in Biotechnology: A Framework for Commercialization 1[J]. Biotechnology Entrepreneurship (Second Edition), 2020:419-427.3.Oliveira A L . Biotechnology, Big Data and Artificial Intelligence[J]. Biotechnology Journal, 2019.（文章內容譯自上述參考資料，同時對其內容進行了一定的簡化、補充，若有不足之處，歡迎指正）
