مروری بر داده های بیولوژیکی و نقش هوش مصنوعی در تولید میکروبی و فنوتیپ های بیوشیمیایی و بیوفیزیکی

کارخانه های سلولی میکروبی (MCF۸۸) برای ساخت پلتفرم های پایدار برای تولید ترکیبات با ارزش افزوده مورد استفاده قرار گرفته اند. برای بهینه سازی متابولیسم و دستیابی به حداکثر بهره وری، زیست شناسی مصنوعی دستگاه های ژنتیکی مختلفی را برای مهندسی سیستم های میکروبی از طریق ویرایش ژن، مهندسی پروتئین با توان عملیاتی بالا و تنظیم دینامیکی توسعه داده است. با این حال، روش های فعلی زیست شناسی مصنوعی هنوز به شدت به طراحی، دستی آزمایش های طاقت فرسا و تجزیه و تحلیل جامع متکی هستند. زمینه بین رشته ای نوظهور هوش مصنوعی (AI) و زیست شناسی در حل چالش های باقیمانده نقش اساسی ایفا کرده است. تولید پروتئین میکروبی با کمک هوش مصنوعی از قدرت پردازش، یادگیری و پیش بینی مقادیر عظیمی از داده های بیولوژیکی در عرض چند ثانیه استفاده می کند و خروجی هایی با احتمال بالا ارائه می دهد. با مدل های آموزش دیده چرخه طراحی ساخت آزمایش (DBT) سنتی به یک جریان کاری چندبعدی طراحی ساخت آزمایش-یادگیری-پیش بینی (DBTLP) تبدیل شده است که منجر به بهبود قابل توجه کارایی عملیاتی و کاهش مصرف نیروی کار می شود. در اینجا ما به طور جامع اجزای اصلی و پیشرفت های اخیر در تولید میکروبی با کمک هوش مصنوعی را بررسی می کنیم، با تمرکز بر حاشیه نویسی، ژنوم، مهندسی پروتئین با کمک AI، طراحی پروتئین عملکردی مصنوعی و پیش بینی مسیر با کمک AI. در نهایت ما چالش های ادغام تکنیک های جدید AI در زیست شناسی را مورد بحث قرار می دهیم و پتانسیل مدل های زبانی بزرگ (LLMs) و همچنین تولید داده های Omics را در پیشبرد تولید میکروبی پیشنهاد می کنیم.

کلیدواژه ها:

حاشیه نویسی ، داده های omics ، یادگیری ، ماشین یادگیری ، عمیق ، ابر داده ، ویرایش ژن ، پایگاه های داده