產(chǎn)品列表

—— PROUCTS LIST

技術(shù)文章Article 當(dāng)前位置：首頁 > 技術(shù)文章 > AI驅(qū)動(dòng)自動(dòng)化培養(yǎng)基優(yōu)化：BioLector整合Biomek加速生物工藝開發(fā)

AI驅(qū)動(dòng)自動(dòng)化培養(yǎng)基優(yōu)化：BioLector整合Biomek加速生物工藝開發(fā)

點(diǎn)擊次數(shù)：137 更新時(shí)間：2025-08-22

在合成生物學(xué)工藝開發(fā)中，培養(yǎng)基優(yōu)化作為影響產(chǎn)物滴度（Titer）、生產(chǎn)速率（Rate）和得率（Yield）的重要條件，其優(yōu)化效率至關(guān)重要。近期發(fā)表于Communications Biology的研究，開發(fā)了一種基于AI機(jī)器學(xué)習(xí)算法（Automated Recommendation Tool，ART），結(jié)合BioLector高通量培養(yǎng)與Biomek自動(dòng)化培養(yǎng)基組分制備及產(chǎn)物檢測(cè)的方法，成功優(yōu)化了惡臭假單胞菌（Pseudomonas putida KT2440）生產(chǎn)Flaviolin的培養(yǎng)基，并發(fā)現(xiàn)鹽（NaCl）是提升生產(chǎn)性能的關(guān)鍵因子。

創(chuàng)新思路：構(gòu)建半自動(dòng)化機(jī)器學(xué)習(xí)平臺(tái)（BioLector+Biomek +AI）

研究團(tuán)隊(duì)開發(fā)了一個(gè)產(chǎn)物普適性的半自動(dòng)化平臺(tái)，將高通量實(shí)驗(yàn)自動(dòng)化（BioLector+Biomek）與機(jī)器學(xué)習(xí)驅(qū)動(dòng)的ART算法緊密結(jié)合，形成快速的設(shè)計(jì)-構(gòu)建-測(cè)試-學(xué)習(xí)（DBTL）循環(huán)。

設(shè)計(jì)（Design-AI）

使用基于集成模型的機(jī)器學(xué)習(xí)算法ART工具（Automated Recommendation Tool, ART）。

初始階段（DBTL 1-2）：生成覆蓋廣泛的培養(yǎng)基配方（初始設(shè)計(jì)包含12-13個(gè)可變組分）。

后續(xù)階段（DBTL 3+）：ART基于已收集的所有歷史數(shù)據(jù)（培養(yǎng)基組分濃度作為輸入，菊素產(chǎn)量作為響應(yīng)）訓(xùn)練預(yù)測(cè)模型。模型用于生成下一輪實(shí)驗(yàn)的推薦方案：

構(gòu)建（Build-Automation）

核心設(shè)備：Biomek液體處理工作站。

過程：根據(jù)ART推薦的培養(yǎng)基設(shè)計(jì)，工作站自動(dòng)混合15種培養(yǎng)基組分的儲(chǔ)備液，精確配制指定濃度的培養(yǎng)基。

核心設(shè)備：BioLector高通量微型生物反應(yīng)器平臺(tái)。

過程：配制好的培養(yǎng)基被分裝至48孔梅花微孔板（BioLector專用“flower plate"）的孔中。液體工作站自動(dòng)接種工程化P. putida菌株。該步驟實(shí)現(xiàn)了培養(yǎng)基制備和接種的高度自動(dòng)化，減少了人為誤差。

測(cè)試（Test-BioLector+Biomek+Analytics）

核心設(shè)備：BioLector+Biomek。

過程：接種后的微孔板在BioLector中進(jìn)行高通量嚴(yán)格控制氣體環(huán)境和培養(yǎng)條件的實(shí)時(shí)監(jiān)測(cè)培養(yǎng)參數(shù)（48小時(shí)，30°C，800 rpm，80%相對(duì)濕度）。

檢測(cè)：培養(yǎng)結(jié)束后：Biomek工作站整合系統(tǒng)自動(dòng)處理樣品。

數(shù)據(jù)管理：所有培養(yǎng)基設(shè)計(jì)信息和H菊素產(chǎn)量（指標(biāo)值及HPLC值）上傳至實(shí)驗(yàn)數(shù)據(jù)倉庫（Experiment Data Depot，EDD）。

學(xué)習(xí)（Learn-AI）

ART從EDD獲取最新的實(shí)驗(yàn)數(shù)據(jù)。利用所有累積數(shù)據(jù)重新訓(xùn)練和更新其預(yù)測(cè)模型。學(xué)習(xí)步驟為下一個(gè)DBTL周期的設(shè)計(jì)步驟提供更準(zhǔn)確的預(yù)測(cè)基礎(chǔ)。

主要研究結(jié)果與發(fā)現(xiàn)：

成功實(shí)現(xiàn)了快速DBTL循環(huán)（~3天/循環(huán)，含48小時(shí)培養(yǎng)）。自動(dòng)化顯著提高了實(shí)驗(yàn)重現(xiàn)性，人工操作時(shí)間大大減少（約4小時(shí)/循環(huán)）。發(fā)現(xiàn)了NaCl濃度是重要影響因子，高濃度的NaCl（而非低濃度）對(duì)提高產(chǎn)量有強(qiáng)烈的正向影響。

本研究成功構(gòu)建并應(yīng)用了一個(gè)結(jié)合BioLector +Biomek自動(dòng)化高通量培養(yǎng)平臺(tái)與機(jī)器學(xué)習(xí)（ART）算法的半自動(dòng)化DBTL工作流。能夠有效解決合成生物學(xué)中缺乏預(yù)測(cè)能力的瓶頸問題，顯著加速生物工程研究進(jìn)程。

參考文獻(xiàn)：

Zournas, A., Incha, M.R., Radivojevic, T. et al. Machine learning-led semi-automated medium optimization reveals salt as key for flaviolin production in Pseudomonas putida. Commun Biol 8, 630 (2025). doi.org/10.1038/s42003-025-08039-2