如何利用人工智慧和自動化加速可持續產品的生產

通過修改植物和微生物的基因組，合成生物學家能夠設計符合特定要求的生物系統，例如生產有價值的化學化合物、使細菌對光敏感，或編程細菌細胞以攻擊癌細胞。這一 科學領域，雖然歷史不過幾十年，但已經實現了醫藥的大規模生產並建立了生產無石油化學品、燃料和材料的能力。看來，生物製造的產品將長期存在，並且隨著我們逐步擺脫傳統的高碳製造過程，我們對它們的依賴只會越來越大。

合成生物學的挑戰

然而，合成生物學面臨一個重大障礙——它是一個勞動密集型且進展緩慢的領域。從理解生產所需的基因，到讓它們在宿主生物中正常運作，再到在大規模工業環境中使該生物繁榮生長，以滿足市場需求的產品生產，開發一個生物製造過程可能需要數年時間和數百萬美元的投資。

赫克托·加西亞·馬丁（Héctor García Martín），洛倫斯伯克利國家實驗室（Berkeley Lab）生物科學區的科學工作者，正在努力通過應用人工智慧和他在物理學訓練中掌握的數學工具，加速和完善這一研發領域。

我們與他交談，了解人工智慧、定制算法、數學建模和機器人自動化如何共同協作，形成一種超越各部分之和的全新方法，推動合成生物學的發展。

常見問題 1：為什麼合成生物學的研究和過程擴展仍然需要很長時間？

加西亞·馬丁：我認為，我們在合成生物學中創造可再生產品的障礙，源於一個非常根本的科學短板：我們無法預測生物系統。許多合成生物學家可能不同意我的看法，並指出從毫升擴大到數千升的過程困難、提取足夠產量以保證商業可行性的挑戰，甚至是艱難的文獻搜索以尋找具有正確屬性的分子。但我相信這些都是我們無法預測生物系統的結果。如果我們能準確預測這些，將能更高效地進行工程設計。在其他學科中，這已經是常見做法。我們不會通過建造新飛機形狀並飛行來檢驗它們的效果來設計飛機。對流體動力學和結構工程的了解使我們能夠模擬和預測部件變化對飛行的影響。

常見問題 2：人工智慧如何加速這些過程？能否舉一些最近工作的例子？

加西亞·馬丁：我們正在使用機器學習和人工智慧提供合成生物學所需的預測能力。我們的方法免去了完全理解分子機制的需要，因此能大幅節省時間。不過，這引起了傳統分子生物學家的懷疑。一般而言，這些工具需要在龐大數據集上訓練，但在合成生物學中，數據量並不像天文學那麼多，因此我們開發了獨特方法來克服這一限制。例如，我們已使用機器學習預測最佳的啟動子（介導基因表達的DNA序列），以獲取最高生產力。我們還預測最適合的生長培養基、細胞的代謝動態、提高可持續航空燃料前體的產量，及設計功能性多酮合酶（極具價值但難以預測地設計的酶）。

在許多案例中，我們需要自動化科學實驗，以獲得AI方法所需的大量高質量數據。例如，我們使用機器人液體處理器創建新的微生物培養基並測試其有效性，也開發了微流控芯片，試圖自動化基因編輯。我正與實驗室其他人（及外部合作者）積極合作，創建合成生物學的自駕實驗室。

常見問題 3：美國是否有許多其他團隊在做類似的工作？你認為這個領域會隨著時間增長嗎？

加西亞·馬丁：專注於AI、合成生物學和自動化交叉領域的研究小組數量非常少，尤其是在業界外。我會特別提到威斯康辛大學的菲利普·羅梅羅和伊利諾伊大學香檳分校的趙惠民。然而，考慮到這些技術組合對社會的巨大潛在影響（例如，應對氣候變化或生產新型治療藥物），我認為這個領域將在不久的將來迅速增長。我曾參加幾個工作小組、委員會和研討會，包括為國家安全新興生物技術委員會的專家會議，討論這一領域的機遇並起草積極建議的報告。

常見問題 4：你預期在繼續這項工作中將實現什麼樣的進展？

加西亞·馬丁：我認為強烈應用AI和自動化於合成生物學可以將合成生物學的進程加快約20倍。我們可以在約6個月內創造一種新的商業可行分子，而不是約10年。如果我們要促進循環生物經濟——可持續利用可再生生物質（碳源）來生成能源及中間和最終產品，這是迫切需要的。

目前，美國估計有3,574種高產量（HPV）化學品來自石油化學品。一家名為Genencor的生物技術公司需要575人年的工作來生產一種廣泛使用的化學品1,3-丙二醇，這是典型的數字。如果假設為每種千種化學品設計一個生物製造過程所需的時間，那麼我們需要約2,000,000人年。如果我們讓所有估算的約5,000名美國合成生物學家（假設佔生物科學家的10%，這已是過高估算）共同努力，則需要約371年才能創建循環生物經濟。隨著溫度異常每年增長，我們根本沒有371年的時間。這些數字無疑是快速的估算，但它們給出了如果我們繼續當前道路的量級感。我們需要一種突破性的方法。

此外，這種方法將使我們能夠追求更多雄心勃勃的目標，這是目前方法無法實現的，例如：為環境目的和人類健康設計微生物社群、生物材料、生物工程組織等。

常見問題 5：伯克利實驗室為什麼是進行這項研究的獨特環境？

加西亞·馬丁：伯克利實驗室在過去二十年對合成生物學進行了強有力的投資，並在該領域展現出相當的專業知識。而且，伯克利實驗室是“大科學”的家：大型團隊的多學科科學，我認為這在當前合成生物學的發展中是正確的方向。在過去的七十年中，隨著DNA的發現，單一研究者的傳統分子生物學方法已經取得了很多成就，但我認為未來的挑戰需要一種多學科的方法，涉及合成生物學家、數學家、电气工程師、計算機科學家、分子生物學家、化學工程師等。我認為伯克利實驗室應該是這類工作的自然場所。

常見問題 6：請告訴我們一些你的背景，什麼激勵你研究生物系統的數學建模？

加西亞·馬丁：從小我就對科學特別感興趣，尤其是生物學和物理學。我清楚地記得我爸爸告訴我的恐龍滅絕的故事。我也記得有人告訴我，在二疊紀時期，因為氧氣水平非常高（約30%對20%），那時候有巨大的蜻蜓（~75厘米），昆蟲是通過擴散獲取氧氣，並不是通過肺部。因此，更高的氧氣水平使得昆蟲能夠更大。我也對數學和物理能幫助我們理解和設計周圍事物的能力感到著迷。物理學是我最初的選擇，因為當時生物學的教學更側重於記憶，而不是定量預測。但我一直有興趣了解導致地球上生命存在的科學原則。

我獲得了理論物理學的博士學位，模擬玻色-愛因斯坦凝聚態（一種當名為玻色子的粒子接近絕對零度時出現的物質狀態），並利用路徑積分蒙特卡羅技術，同時也為一個超過100年的生態學謎團提供了解釋：為何在一個特定區域的物種數量與區域面積的關係呈現普遍的冪律依賴（S=cAz，z=0.25）。從那時起，我可以繼續從事物理學工作，但我認為通過將預測能力應用於生物學我可以產生更大的影響。因此，我冒著風險接受了在能源部聯合基因組研究所的後博士研究職位，專注於宏基因組學——對微生物社群進行測序，以揭示其基本細胞活動——希望能為微生物組開發預測模型。然而，我發現大多數微生物生態學家對預測模型的興趣有限，於是我開始專注於合成生物學，因為它需要預測能力來工程設計細胞。我的現職使我能夠利用數學知識，試圖預測性地設計細胞以生產生物燃料和應對氣候變化。我們已經取得了很多進展，並提供了一些AI引導合成生物學的首批示例，但要使生物學可預測仍然需要努力。

---

Meta Title: 利用人工智慧和自動化加速可持續產品的製造

Meta Description: 本文探討了如何通過人工智慧和自動化技術加速合成生物學的發展，解決傳統生產過程中的各種挑戰，並實現可持續產品的快速生產。

---

洛倫斯伯克利國家實驗室（Berkeley Lab）致力於通過清潔能源、健康地球和發現科學的研究來為人類提供解決方案。該實驗室成立於1931年，基於團隊能最佳解決重大問題的信念，伯克利實驗室及其科學家已獲得16項諾貝爾獎。來自全球的研究人員依賴該實驗室的世界一流科學設施進行他們的開創性研究。伯克利實驗室是一個多計畫國家實驗室，由加利福尼亞大學管理，隸屬於美國能源部的科學辦公室。

美國能源部的科學辦公室是美國物理科學基礎研究的最大單一支持者，並致力於應對我們時代的一些最緊迫的挑戰。部分資料參考自美國能源部與美國NSO團隊。