在线客服
企业微信
我们已经看到了AI的成功应用，但仍然局限于特定的数据集和研究问题。AI在该领域目前面对的挑战，仍然是对更广泛的应用程序和其他数据集来说有多大的通用性。
数据挖掘、统计和机械建模目前是该领域计算生物学和生物信息学的主要驱动因素，但这些技术与人工智能/机器学习之间的界限往往是模糊的。例如，聚类是一种数据挖掘技术，可以识别基因表达数据中的模式和结构，这些模式可以表明工程修改是否会导致细胞的毒性结果。这些聚类技术还可以作为无监督学习模型，在未标记的数据集中找到结构。这些正在开发中的经典技术和新的AI/ML（机器学习）方法将在未来的领域合成生物中发挥更大的作用和影响，因为届时人们对于更大的数据集将习以为常。转录组数据量每7个月翻一番，蛋白质组学和代谢组学的高通量工作流程越来越可用。
此外，实验室工作微流控芯片的逐步自动化和小型化预示着未来数据处理和分析将使得合成生物学的生产力倍增。DARPA的协同发现和设计（SD2, 2018–2021） 计划专注于构建人工智能模型，旨在拉近AI与合成生物学需求的差距。这一点在一些采用该领域SoTA技术的公司中也很明显（例如Amyris、Zymergen或Ginkgo Bioworks）。
AI和合成生物学在一些方面存在重叠，比如将现有AI/ML应用于现有数据集；生成新的数据集（例如即将到来的NIH Bridge2AI）；并创造新的AI/ML技术来应用于新的或现有的数据。虽然SD2在最后一项中有所贡献，但其仍有一定潜力，未来也有较长的路要走。
人工智能可以帮助合成生物学克服一个大挑战，即预测生物工程方法对生物主体和环境的影响。由于无法预测生物工程的结果，合成生物学的细胞工程目标（即逆设计）只能通过大量的试错来实现。人工智能提供了一个利用公开数据和实验数据来预测对生物主体和环境影响的机会。
为细胞编程设计遗传结构。 许多合成生物学领域的研究都集中在基因结构/基因线路的工程上，这与设计电子电路面临着的挑战大相径庭。
人工智能技术结合了已知的生物物理、机器学习和强化学习模型，能够有效预测结构对主体的影响，反之亦然，虽然已经颇为强大，但仍然有改进空间。而在机器辅助基因线路设计方面，已有各种人工智能技术投入应用，其中包括专家系统、多智能体系统、约束推理、启发式搜索、优化和机器学习。
基于序列的模型和图卷积网络在工程生物系统领域也得到了关注。因子-图神经网络已被用于将生物知识纳入深度学习模型。图卷积网络已被用于从蛋白质与蛋白质相互作用网络中预测蛋白质的功能。基于序列的卷积和递归神经网络模型已被用于识别蛋白质的潜在结合位点、基因的表达和新的生物结构的设计。人工智能最有用之处是应用于开发综合模型，而这将减少需要进行的实验或设计的数量。
代谢工程。在代谢工程中，人工智能已经应用到生物工程过程的几乎所有阶段，例如人工神经网络已被用于预测翻译起始位点，注释蛋白质功能，预测合成途径，优化多个外源基因的表达水平，预测调控元件的强度，预测质粒表达，优化营养浓度和发酵条件，预测酶动力学参数，了解基因型与表型的关联，预测CRISPR的指导效果等阶段。聚类已被用于发现次生代谢物生物合成基因聚类和识别催化特定反应的酶。集合方法已被用于预测途径动态、最优生长温度，并在定向进化方法中找到赋予更高适应度的蛋白质。支持向量机已被用于优化核糖体结合位点序列和预测CRISPR引导RNA的行为。在代谢工程的各阶段中，人工智能最有希望被应用于流程放大，这是该领域的一个重大瓶颈，以及下游处理（例如从发酵液中系统提取所产生的分子）。
实验自动化。在帮助自动化实验室工作和推荐实验设计方面，人工智能的影响已经远远超出了DBTL周期的“学习”阶段。自动化正逐渐在实践中变得十分重要，因为自动化是获得训练人工智能算法所需的高质量、大容量、低偏差数据的最可靠的方式，自动化还使得可预测的生物工程成为可能。自动化提供了将复杂协议快速转移和扩展到其他实验室的机会。例如，液体处理机器人站构成了生物铸造厂和云实验室的支柱。这些铸造厂已经能够看到在未来自身会被机器人和规划算法颠覆，从而获得快速迭代通过DBTL周期的能力。语义网络、本体和模式彻底改变了设计和协议的表示、通信和交换。这些工具支持快速实验，并以结构化、可查询的格式生成更多的数据。在一个大多数内容要么丢失，要么被人工记录在实验室笔记中的领域，人工智能的前景推动领域发生重大变化，从而减少生成数据的障碍。
微流体是宏观液体处理的替代品，具有更高的通量、更少的试剂消耗和更便宜的结垢。事实上，微流体可能是实现自动驾驶实验室的关键技术，它有望通过使用人工智能增强自动化实验平台，大大加快研发过程。自动驾驶实验室涉及完全自动化的DBTL周期，其中人工智能算法会根据之前的实验结果进行假设，积极寻找有前景的实验程序。因此这可能是合成生物领域人工智能研究人员的最大机会。虽然自动DBTL回路已经在液体处理机器人工作站中得到了证明，但微流控芯片提供的可扩展性、高通量能力和制造灵活性可能会提供最终的技术飞跃，使人工智能成为现实。
