Как искусственный интеллект и автоматизация ускоряют создание устойчивых продуктов

Синтетическая биология позволяет проектировать биологические системы, модифицируя геномы растений и микроорганизмов, чтобы они производили ценные химические соединения или выполняли другие специфические задачи. Несмотря на молодость этой области, она уже обеспечила крупномасштабное производство медицинских препаратов и создание альтернатив нефтехимии.

Однако ключевое препятствие — процесс разработки биотехнологического производства остается трудоемким и медленным. Он может занимать около 10 лет и требовать многомиллионных инвестиций — от поиска нужных генов до настройки организма-хозяина и масштабирования процесса до промышленных объемов.

Проблема предсказуемости

Основная научная проблема, лежащая в основе всех трудностей, — неспособность предсказывать поведение биологических систем. Если бы существовал способ получить идеальную ДНК-последовательность для максимального производства целевой молекулы (например, биотоплива) в промышленных масштабах, весь процесс от синтеза гена до коммерческого выращивания занял бы около 6,5 месяцев. Разница между этим сроком и 10 годами — это время, потраченное на многочисленные эксперименты по тонкой настройке генетических последовательностей и условий культивирования из-за отсутствия точных прогнозов.

В других дисциплинах, например, в авиастроении, инженеры опираются на точные симуляции (например, в аэродинамике), а не на метод проб и ошибок. Синтетической биологии не хватает аналогичного прогностического потенциала.

Роль ИИ и автоматизации

Искусственный интеллект и машинное обучение используются для создания этого недостающего прогностического потенциала. Этот подход позволяет обойти необходимость полного понимания молекулярных механизмов, что экономит время. Для работы с ограниченными объемами данных в синтетической биологии разрабатываются специальные методы.

Примеры применения ИИ:

• Предсказание оптимальных промоторов (ДНК-последовательностей, управляющих экспрессией генов) для максимальной продуктивности.
• Предсказание оптимальной питательной среды для роста и производства.
• Предсказание метаболической динамики клеток.
• Повышение выхода предшественников устойчивого авиационного топлива.
• Инжиниринг сложных ферментов поликетидсинтаз.

Для получения больших объемов высококачественных данных, необходимых для эффективной работы ИИ, автоматизация экспериментов становится критически важной. Используются:

• Роботизированные дозаторы жидкости для создания и тестирования питательных сред.
• Микрофлюидные чипы для автоматизации генетического редактирования.
• Разрабатываются самоуправляемые лаборатории для синтетической биологии.

Потенциал и будущее

Интенсивное применение ИИ и робототехники может ускорить timelines синтетической биологии примерно в 20 раз. Создание нового коммерчески жизнеспособного продукта может занять ~6 месяцев вместо ~10 лет.

Эта скорость необходима для перехода к циркулярной биоэкономике. Сегодня существует около 3 574 крупнотоннажных химикатов, производимых из нефтехимии. На создание биотехнологического процесса для замены одного такого продукта (1,3-пропандиола) компании Genencor потребовалось 575 человеко-лет.

Оценочный расчет:

• Для замены всех ~3,5 тыс. химикатов потребуется ~2 млн человеко-лет.
• Если все _{5 000 синтетических биологов США займутся этой задачей, на ее выполнение уйдет **}371 год**.

Учитывая климатический кризис, у человечества нет такого количества времени. Требуется революционный подход, который также откроет путь к более амбициозным проектам: инженерии микробных сообществ, созданию биоматериалов и тканей.

Текущее состояние и уникальная среда

Число исследовательских групп, работающих на стыке ИИ, синтетической биологии и автоматизации, невелико (отмечаются Филип Ромеро и Хуимин Чжао). Однако ожидается быстрый рост этой области из-за ее огромного потенциала для борьбы с изменением климата и создания новых терапевтических препаратов.

Национальная лаборатория им. Лоуренса в Беркли (Berkeley Lab) является уникальной средой для такой работы благодаря:

• Двадцатилетним инвестициям в синтетическую биологию.
• Культуре «большой науки» — междисциплинарной работы больших команд, которая необходима для решения современных задач в этой области.

Личный путь исследователя

Исследователь Эктор Гарсия Мартин пришел в эту область из теоретической физики, где защитил диссертацию по моделированию конденсатов Бозе-Эйнштейна. Его всегда интересовала возможность применения математического и прогностического аппарата физики к биологическим системам. После работы в метагеномике он перешел в синтетическую биологию, поскольку эта область остро нуждается в прогностических моделях для целенаправленного конструирования клеток. Его текущая работа посвящена использованию математики и ИИ для создания биотоплив и борьбы с изменением климата.