Genom att modifiera genomet hos växter och mikroorganismer kan syntetiska biologer designa biologiska system som uppfyller en specifikation, som att producera värdefulla kemiska föreningar, göra bakterier känsliga för ljus eller programmera bakterieceller för att invadera cancerceller.
Detta vetenskapsområde, även om det bara är några decennier gammalt, har möjliggjort storskalig produktion av medicinska läkemedel och etablerat förmågan att tillverka petroleumfria kemikalier, bränslen och material. Det verkar som att biotillverkade produkter är här för att stanna och att vi kommer att förlita oss mer och mer på dem när vi går bort från traditionella, kolintensiva tillverkningsprocesser.
Men det finns ett stort hinder - syntetisk biologi är arbetsintensiv och långsam. Från att förstå generna som krävs för att tillverka en produkt, till att få dem att fungera korrekt i en värdorganism, och slutligen till att få den organismen att frodas i en storskalig industriell miljö så att den kan ta fram tillräckligt med produkt för att möta marknadens efterfrågan, utvecklingen av en biotillverkningsprocess kan ta många år och många miljoner dollar i investeringar.
Héctor García Martín, en stabsforskare inom biovetenskapsområdet i Lawrence Berkeley National Laboratory (Berkeley Lab), arbetar för att accelerera och förfina detta FoU-landskap genom att tillämpa artificiell intelligens och de matematiska verktyg han behärskade under sin utbildning till fysiker.
Vi pratade med honom för att lära oss hur AI, skräddarsydda algoritmer, matematisk modellering och robotautomation kan kombineras som en summa som är större än dess delar, och ge ett nytt tillvägagångssätt för syntetisk biologi.
Jag tror att de hinder vi hittar inom syntetisk biologi för att skapa förnybara produkter härrör alla från en mycket grundläggande vetenskaplig brist:vår oförmåga att förutsäga biologiska system. Många syntetiska biologer kanske inte håller med mig och pekar på svårigheten med att skala processer från milliliter till tusentals liter, eller kampen för att utvinna tillräckligt hög avkastning för att garantera kommersiell livskraft, eller till och med den mödosamma litteraturen söker efter molekyler med rätt egenskaper att syntetisera. Och det är allt sant.
Men jag tror att de alla är en konsekvens av vår oförmåga att förutsäga biologiska system. Säg att vi hade någon med en tidsmaskin (eller Gud, eller din favoritallvetande varelse) som kom och gav oss en perfekt designad DNA-sekvens att lägga i en mikrob så att den skulle skapa den optimala mängden av vår önskade målmolekyl (t.ex. ett biobränsle) i stor skala (tusentals liter).
Det skulle ta ett par veckor att syntetisera och omvandla det till en cell, och tre till sex månader att odla det i kommersiell skala. Skillnaden mellan dessa 6,5 månader och de ~10 åren som det tar oss nu, är tid som går åt till att finjustera genetiska sekvenser och odlingsförhållanden – till exempel att sänka uttrycket av en viss gen för att undvika giftig uppbyggnad eller öka syrenivåerna för snabbare tillväxt —eftersom vi inte vet hur dessa kommer att påverka cellbeteende.
Om vi kunde förutsäga det exakt, skulle vi kunna konstruera dem mycket mer effektivt. Och det är så man gör i andra discipliner. Vi designar inte plan genom att bygga nya planformer och flyga dem för att se hur bra de fungerar. Vår kunskap om vätskedynamik och konstruktionsteknik är så bra att vi kan simulera och förutsäga effekten som något som en flygkroppsbyte kommer att ha på flygningen.
Vi använder maskininlärning och artificiell intelligens för att tillhandahålla den prediktiva kraft som syntetisk biologi behöver. Vårt tillvägagångssätt kringgår behovet av att till fullo förstå de inblandade molekylära mekanismerna, vilket är hur det sparar betydande tid. Detta väcker dock vissa misstankar hos traditionella molekylärbiologer.
Normalt måste dessa verktyg tränas på enorma datamängder, men vi har helt enkelt inte så mycket data inom syntetisk biologi som du kanske har inom något som astronomi, så vi utvecklade unika metoder för att övervinna den begränsningen. Till exempel har vi använt maskininlärning för att förutsäga vilka promotorer (DNA-sekvenser som förmedlar genuttryck) att välja för att få maximal produktivitet.
Vi har också använt maskininlärning för att förutsäga rätt tillväxtmedier för optimal produktion, för att förutsäga metabolisk dynamik hos celler, för att öka utbytet av hållbara flygbränsleprekursorer och för att förutsäga hur fungerande polyketidsyntaser (enzymer som kan producera en enorm variation) av värdefulla molekyler men är ökänt svåra att förutsäga konstruera).
I många av dessa fall behövde vi automatisera de vetenskapliga experimenten för att erhålla de stora mängder högkvalitativ data som vi behöver för att AI-metoder ska vara verkligt effektiva. Vi har till exempel använt robotbaserade vätskehanterare för att skapa nya tillväxtmedier för mikrober och testa deras effektivitet, och vi har utvecklat mikrofluidchip för att försöka automatisera genetisk redigering. Jag arbetar aktivt med andra på labbet (och externa samarbetspartners) för att skapa självkörande labb för syntetisk biologi.
Antalet forskargrupper med expertis inom skärningspunkten mellan AI, syntetisk biologi och automation är mycket litet, särskilt utanför industrin. Jag vill lyfta fram Philip Romero vid University of Wisconsin och Huimin Zhao vid University of Illinois Urbana-Champaign Men med tanke på potentialen hos denna kombination av teknologier att ha en enorm samhällspåverkan (t.ex. i kampen mot klimatförändringar eller framställning av nya terapeutiska läkemedel ), tror jag att detta område kommer att växa väldigt snabbt inom en snar framtid.
Jag har varit en del av flera arbetsgrupper, kommissioner och workshops, inklusive ett expertmöte för National Security Commission on Emerging Biotechnology, som diskuterade möjligheterna inom detta område och som utarbetar rapporter med aktiva rekommendationer.
Jag tror att en intensiv tillämpning av AI och robotik/automatisering på syntetisk biologi kan påskynda tidslinjerna för syntetisk biologi ~20 gånger. Vi skulle kunna skapa en ny kommersiellt gångbar molekyl på ~6 månader istället för ~10 år. Detta behövs omedelbart om vi vill möjliggöra en cirkulär bioekonomi – hållbar användning av förnybar biomassa (kolkällor) för att generera energi och mellanprodukter och slutprodukter.
Det finns uppskattningsvis 3 574 kemikalier med hög produktionsvolym (HPV) (kemikalier som USA producerar eller importerar i mängder på minst 1 miljon pund per år) som kommer från petrokemikalier nuförtiden. Ett bioteknikföretag vid namn Genencor behövde 575 årsverken för att ta fram en förnybar väg för att producera en av dessa mycket använda kemikalier, 1,3-propandiol, och detta är en typisk siffra.
Om vi antar att det är hur lång tid det skulle ta att utforma en biotillverkningsprocess för att ersätta petroleumraffineringsprocessen för var och en av dessa tusentals kemikalier, skulle vi behöva ~ 2 000 000 personår. Om vi lägger alla uppskattade ~5 000 amerikanska syntetiska biologer (låt oss säga 10% av alla biologiska forskare i USA, och det är en överskattning) att arbeta med detta, skulle det ta ~371 år att skapa den cirkulära bioekonomin.
Med temperaturavvikelsen som växer för varje år har vi egentligen inte 371 år. Dessa siffror är uppenbarligen snabba back-of-the enveloppe-beräkningar, men de ger en uppfattning om storleksordningen om vi fortsätter den nuvarande vägen. Vi behöver ett störande tillvägagångssätt.
Dessutom skulle detta tillvägagångssätt möjliggöra strävan efter mer ambitiösa mål som är omöjliga med nuvarande tillvägagångssätt, såsom:konstruktion av mikrobiella samhällen för miljöändamål och människors hälsa, biomaterial, biokonstruerade vävnader, etc.
Berkeley Lab har haft en stark satsning på syntetisk biologi under de senaste två decennierna och uppvisar betydande expertis inom området. Dessutom är Berkeley Lab hemmet för "stor vetenskap":stora team, multidisciplinär vetenskap och
Jag tror att det är rätt väg för syntetisk biologi i detta ögonblick. Mycket har uppnåtts under de senaste sjuttio åren sedan upptäckten av DNA genom traditionella molekylärbiologiska tillvägagångssätt för en enda forskare, men jag tror att utmaningarna framöver kräver ett tvärvetenskapligt tillvägagångssätt som involverar syntetiska biologer, matematiker, elektroingenjörer, datavetare, molekylärbiologer, kemiingenjörer , etc. Jag tycker att Berkeley Lab borde vara den naturliga platsen för den typen av arbete.
Sedan väldigt tidigt har jag varit mycket intresserad av vetenskap, speciellt biologi och fysik. Jag minns tydligt att min pappa berättade för mig om dinosauriernas utrotning. Jag minns också att jag fick höra hur det under permperioden fanns gigantiska trollsländor (~75 cm) eftersom syrenivåerna var mycket högre än nu (~30% mot 20%) och insekter får sitt syre genom diffusion, inte lungor. Därför möjliggjorde högre syrenivåer mycket större insekter.
Jag var också fascinerad av den förmåga som matematik och fysik ger oss att förstå och konstruera saker omkring oss. Fysik var mitt första val, eftersom sättet som biologi lärdes ut på den tiden innebar mycket mer memorering än kvantitativa förutsägelser. Men jag har alltid haft ett intresse av att lära mig vilka vetenskapliga principer som ledde till liv på jorden som vi ser det nu.
Jag tog min doktorsexamen i teoretisk fysik, där jag simulerade Bose-Einstein-kondensat (ett tillstånd av materia som uppstår när partiklar som kallas bosoner, en grupp som inkluderar fotoner, är nära absolut nolltemperatur) och med hjälp av vägintegralen Monte Carlo-tekniker, men det gav också en förklaring till ett 100+ år gammalt pussel i ekologi:varför är antalet arter i ett område med ett till synes universellt maktlag beroende av området (S=cA z , z=0,25)? Från och med då kunde jag ha fortsatt att arbeta med fysik, men jag trodde att jag kunde påverka mer genom att tillämpa förutsägande förmåga till biologi.
Av denna anledning tog jag en stor chansning för en doktorsexamen i fysik. och accepterade en postdoc vid DOE Joint Genome Institute i metagenomics - sekvensering av mikrobiella samhällen för att reda ut deras underliggande cellulära aktiviteter - med hopp om att utveckla prediktiva modeller för mikrobiomer. Jag fick dock reda på att de flesta mikrobiella ekologer hade begränsat intresse för prediktiva modeller, så jag började arbeta med syntetisk biologi, som behöver förutsägelsemöjligheter eftersom det syftar till att konstruera celler enligt en specifikation.
Min nuvarande position gör att jag kan använda min matematiska kunskap för att på ett förutsägbart sätt konstruera celler för att producera biobränslen och bekämpa klimatförändringar. Vi har gjort stora framsteg och har tillhandahållit några av de första exemplen på AI-styrd syntetisk biologi, men det återstår fortfarande mycket arbete för att göra biologin förutsägbar.
Tillhandahålls av Lawrence Berkeley National Laboratory
