合成生物领域“自动驾驶实验室”，如何成为现实？

2023年31篇（共381篇）原创文章

在合成生物领域，学者们经常把构想的细胞工厂与现在的汽车工厂做类比。

自动驾驶实验室（SDL，Self-drivinglabs），也是基于这种类比之上的思路。

SDL指的是：自动化机器人平台、数据收集与AI相结合，通过人工智能处理实验数据，以决定下一组实验的执行方案。

美国劳伦斯伯克利国家实验室Hector G Martin等人，发表在期刊Current Opinion in Biotechnology上的研究论文Perspectives for self-driving labs in synthetic biology，讨论了为合成生物学创建SDL的优势和挑战。

优势显而易见：自动化平台的成熟和机器学习（ML）方法的可用性，能够创建多个SDL（或几乎完全自动化的流程）。

更具有想象力的是：SDL具备自动构建科学知识的能力。

SDL从先前的知识（定律、理论和实验数据）和外部资源中汲取经验，并对未来的实验进行改进。

但理论是可行的，实践是困难的。

尽管像GTP-3这样的大规模语言模型可以执行模式匹配，但依然需要科研人员做大量工作，才能把经典符号推理系统与深度学习方法结合起来。

自动化技术、人工智能算法、数据管理的局限性等，都阻碍了理论迈向实践的步伐。

因此，要让SDL成为现实需要迈过三个关卡：

首先，我们必须意识到——

化学和材料科学SDL中的自动化过程，只是合成生物学所需过程的一个子集。

典型的分子生物学过程，例如通过电穿孔、集落拾取、电镀和生长的细胞转化。

虽然可以通过液体处理器和其他仪器实现，但很难以SDL要求的无缝方式连接在一起。

为了使SDL在合成生物学中成为现实，需要进行长期投资，才可能实现合成生物学全过程的无缝运行和自动化。

其次，只有利用和产生可推断知识的能力，才能从大量的SDL中获得效益。这里需要新的AI算法。

更重要的是，数据管理是自动化和人工智能算法之间的一个关键环节。

没有数据就没有人工智能，没有人工智能就没有SDL。

最后，突破SDL障碍的能力，来自于 “人工”的智能。

我们需要让计算机科学家、自动化工程师与分子和合成生物学家，打破技术和认知的藩篱，优势互补、精诚合作。

坦白讲，让这一群各行业中的技术天才一起工作，不仅要接受其他人的工作也非常有价值，同时还得承认：自己的工作如果没有其他人的配合就无法显现出价值——需强有力的协调。

让各学科的科学家们突破学科边界地合作，是一个社会学问题，恐怕比SDL在生物学中面临的技术问题，更有挑战。

欢迎创投圈朋友们参加6月19-21日的第十届国际生物药大会。