加速合成生物DBTL循環，還得看AI。

近日，合成生物上市龍頭嘉必優在投資者平臺表示：公司已接入包括DeepSeek在內的多款AI工具用于輔助辦公以及研發等領域。

并表示已經在研發領域基于A|工具構建并訓練適應公司自身需求的差異化模型，將“AI+合成生物學”作為公司的重要戰略。

而在近年來舉辦的各類會議上，AI與合成生物技術的深度融合也是各方熱議的話題，業界對兩者跨界融合所催生的創新潛力寄予厚望。

下文將從學術與產業 兩方面，展示 部分AI+合成生物成果及項目進展。

合成生物中的機械學習和深度學習

首先是最熱門的機器學習（ML）及深度學習（DL），這些技術在基因組、轉錄組、蛋白質組和代謝組等大規模生物數據集來說已經逐漸變得不可或缺。

自 1960 年代以來 ML/DL 和合成生物學的進步概述。

其中ML算法在支持DBTL的Learn部分方面發揮著至關重要的作用，尤其是在細胞工程和代謝工廠中，AI模型可以減少每個DBTL 周期的周轉時間。

在細胞工程中，ML可用于改善基因表達、改進改變細胞功能的工具以及升級蛋白質搜索和設計。

例如蛋白質語言模型UniRep就能使用神經網絡從2400萬個蛋白質序列中學習蛋白質的統計描述（例如，結構、進化、功能和物理化學特性）。

而代謝工程作為復雜的多步驟工程，ML的應用方向顯得更復雜而豐富。

科學家可以通過利用預測的基因組功能或經過驗證的化學反應來設計合成目標產物的途徑，而AI可以幫助查找具有固有工業適用性的主機。

或者為了提高生產滴度、頻率和生產率，設計專門菌株；甚至去追求下游生物工藝的產量最大化，通過AI可以顯著減少使實驗室菌株適應工業輸出所需的時間。

而DL則在 生物部件設計、成像應用、基于結構的學習、最佳實驗設計和生物分子神經網絡實現等方面取得了不少進展。

除此之外，用于文獻綜述的自然語言處理 （NLP）應用也較為成熟，它經常被集成到合成生物學工作流程中，以處理和分析大量的科學文獻。

上市龍頭 競逐AI合成生物

在合成生物學、代謝工程等前沿技術的推動下，生物制造已從傳統發酵向精準化、智能化方向發展，其中AI+合成生物成為各家龍頭的必爭之地。

華恒生物：擬投資人民幣3.2億元建設“人工智能精準發酵及蛋白質工程共享示范項目”，計劃將通過AI模型指導、高通量篩選、基因組重構、代謝網絡優化等技術，在核心菌種優化環節獲得更高效的關鍵酶元件和人工調控元件。

凱賽生物：戰略投資了AI+蛋白質明星企業分子之心，合作開發AI蛋白質優化設計平臺MoleculeOS和多模態大模型NewOrigin。

雙方已在一項關鍵蛋白質優化項目上取得成果，相對于野生菌，人工智能設計的一個重要酶蛋白結構使菌種產率提高了5倍。

川寧生物：與上海交通大學李金金教授團隊的合作成果發布，雙方 成功落地轉化了“AI發酵工程師”ManuDrive，人工智能全面接管工廠后的最近一個月，就將產量向上突破了 3 到 5 個百分點。

健康元：早在2021年就與騰訊量子實驗室戰略合作，推進量子計算+人工智能在微生物合成生物學研究的應用。

參考資料：

Ma chine Learning and Deep Learning in Synthetic Biology: Key Architectures, Applications, and Challenges. Manoj Kumar Goshisht