AI重塑生物制造:从实验台到产业链的持续学习闭环

AI进入生物制造,改变的不只是实验速度。从产品选择和研发目标的确立,到模型算法与自动化实验的持续迭代,再到中试、生产和市场反馈,AI正在把原本分散的研发环节连接成一个持续学习的过程。更值得关注的是,AI如何将一次实验结果转化为可重复、可放大的产业能力。

人工智能、自动化与合成生物学的融合,正在拓展生物制造的研发空间,为产业绿色转型提供新的技术路径。把市场需求、研发设计、生产运行与准入要求连成能够持续反馈的过程,让每一轮探索留下可复用的知识,是判断这场技术变革产业价值的关键。

从酶和菌株的改造到自动化实验平台建设,我长期关注一个问题:怎样让对生命系统的改造变得可预测、更高效,从经验试错最终走向理性设计?在实验室里,我们可以从大量方案中找到一个有效设计;进入产业阶段后,企业还要证明它能够在不同批次、不同原料和更大规模下保持令人满意的表现。一次成功的实验与一项可以持续经营的业务之间,隔着许多尚未回答的问题。

生物制造利用细胞或酶生产所需物质,为化学品、材料、食品和医药等领域提供新的生产路径。绿色转型是发展生物制造的重要理由。在原料端,利用可再生生物质、农业剩余物甚至二氧化碳等生产化学品和材料,有机会降低对化石原料的依赖;在反应端,酶的选择性有助于减少副产物,并为一些合成步骤提供较温和条件下的替代方案;在工艺端,菌株、催化与分离过程的协同,可以减少物料损失、减轻废物处理负担。

我认为,AI与生物制造融合最值得期待的变化,是形成一种能够持续积累的创新能力:每轮实验都帮助我们修正认识,使下一次设计更有依据;生产、客户和监管反馈又不断更新研发目标与投资判断。这一闭环应从需求识别延伸到上市后的持续改进,将技术开发、商业判断与合规管理联系起来,使团队持续回答做什么、怎样做、是否值得继续投入。

AI让研发判断前移

生物制造的难点,在于它改造的是一个会生长、会响应环境的“活”系统。一种酶在体外反应更快,进入细胞后未必提高目标产物的产量;一种菌株在小规模培养时表现良好,进入更大的发酵罐后,也可能受到供氧和混合条件的限制。分子、细胞、设备与工艺之间的联系,使局部性能的提升很难直接折算为产品最终的竞争力。

这也解释了为什么生物制造的产业瓶颈不能简单归结为实验做得不够快。以发酵为例,应同时看产物浓度、产品收率,以及单位体积每小时的产出。浓度提高,如果要付出更长的发酵时间、更高的原料或分离成本,整条路线仍可能得不偿失。对于同一种产品,研发早期就应明确:它凭借什么获得市场位置,哪些性能必须达到,哪些成本最可能决定路线的成败。这些问题的答案会反过来改变实验的选择。

选品是这一过程的起点。对于替代既有化工路线的产品,客户往往对价格、规格和供货稳定性十分敏感,生物来源本身难以保证溢价。食品和医药则应按产品类别、用途与目标市场,尽早明确相应的安全性、质量、有效性证据及准入路径。这些要求会影响菌株选择、工艺设计、检测方法和研发周期。等菌株和工艺都做出来,再发现价格缺乏竞争力或缺少获准上市所需的证据,前期投入就可能难以转化为收入。

AI应从这里参与创新决策。将市场信息、产业链供需、政策与准入要求,同工艺成本模型和实验结果联系起来,可以辅助比较候选产品,识别最值得先验证的假设。例如:客户能够接受的价格,可以用来倒推目标收率、分离成本和设备投入;预期用途对应的质量与安全要求,可以前移为实验设计中的检测项目。随着新数据出现,产品定位和技术路线也应一起调整。

从经验试错到持续学习

在技术研发端,AI可以帮助研究者在庞大的设计空间中选择值得验证的方案,把序列、实验记录和已有知识联系起来。但模型的预测仍需要具体实验的检验。合成生物学提供改造手段,自动化支持稳定执行和测量,AI辅助分析与选择,三者通过反馈形成连续的研发过程。

如果把原料利用率、能耗和副产物等要求纳入设计目标,AI也可以帮助研究者在性能与资源消耗之间寻找更合适的组合。每轮实验更新模型,下一轮既可验证最有希望的设计,也可探索尚不确定、可能带来新结果的方案。在这个过程中,预测与实验共同演进,研究者也能更早发现原先的判断在哪里不适用。

我们团队的BO-EVO研究展示了这种新范式的可行性,将机器学习与机器人实验连接,用于改造生物表面活性剂鼠李糖脂合成中的关键酶。在预设的组合设计空间内,经过四轮模型与自动化实验迭代,测试了不到1%的候选组合,几周内获得了使目标鼠李糖脂产量达到野生型对照约4.8倍的酶变体。

我们开展的蛋白质工程评测竞赛CAPE则提供了一个共享验证的例子:参赛者提交计算设计,共享实验平台完成验证,再将数据反馈给参与者改进模型。算法开发者因此能够调用专业实验能力,不同方法也能在较一致的条件下接受检验。这样的分工可以为小团队按需获得研发能力提供参考。

因此,衡量AI带来的变化,应当追问从选品到落地的判断是否得到了改善:在相近的资源投入下,能否更早排除缺乏市场或技术前景的路线,更快找到限制性能的原因,并得到可重复的改进方案?实验通量只有进入这一过程,才会转化为产业价值。

AI时代的生物数据资产

要让AI不断改进,首先需要明确实验究竟测到了什么。某一改进方法使目标产物增加,原因可能是酶催化能力增强,也可能是细胞数量增多,还可能是原料更多地流向了目标反应。几种解释可能对应完全不同的下一步。如果只保存最终产量这一个测量数据,模型也会“继承”这种歧义;增加能够帮助识别原因的测量数据,才可能使后续设计更有针对性。

测量技术因此值得重视。高通量质谱、拉曼光谱等无标记方法能够提供分子组成和代谢状态等信息。对产业研发来说,应根据要解决的问题选择测量方式:有时需要筛选更多样品,有时更需要增加一个关键对照指标、记录一段变化过程。后者未必产生更多数据,却可能改变对整条路线的判断。

数据的价值还取决于结果能否被正确理解。相同的产量数据,如果来自不同培养条件、不同检测方法或不同设备批次,就不能直接当作同一把尺子下的结果。实验条件、操作过程和质量控制方法应随结果一起保存。失败实验尤其需要分析原因:是设计本身无效,还是样品转移、设备运行或测量出现了问题。只有知道失败发生在哪里,经验才有机会成为下一次研发的依据。

这些考量决定了我们如何看待“生物数据资产”。一个数据库值得投入,应该是因为它能够帮助回答问题、改善预测,并且具有清晰的使用权和适用范围。数据量增长是否伴随结果可比性的提高,已有数据能否帮助新任务减少实验,获得这些收益又需要付出多少整理和验证成本,都应纳入判断。持续积累高质量数据可能形成竞争优势,但这种优势需要通过实际使用效果来证明。

把自动化设备放进实验室,只是建立连续研发过程的一部分。一项实验要由设备可靠完成,必须先把人的隐性经验转化为明确的实验条件。混匀到什么程度、何时取样、出现沉淀后怎样处理,这些看似微小的判断都会影响结果。

AI参与实际实验之后,我们还需要知道现场已经发生了什么。实验方案中原本设计的样品位置、试剂状态和设备可用性,可能在运行过程中改变。系统需要核对执行条件,记录关键状态,并在出现偏差时判断结果是否仍然可信。对于会影响结论或安全性的异常情况,应有明确的停止条件和人员复核机制。

自主实验更进一步的价值,是根据已有证据决定下一步该做什么。当两种解释都符合现有结果时,系统可以协助选择最易于证实或证伪这两种机理的实验;当某条路线持续受限时,系统可以提示更换测量方法或重新定义问题。这可以使研发工作逐步具备调整自身探索路径的能力。

让学习延伸到产业化

这种学习应延伸到工程放大与绿色工艺设计。

2023年,美国伊利诺伊大学与普林斯顿大学合作开展的一项研究,利用耐酸酵母在酸性条件下生产琥珀酸,把菌株改造、放大验证与直接结晶连接起来。通过减少中和、再酸化等处理环节,这条路线有望降低试剂消耗并减少盐类废物排放。研究完成了30升工作体积的放大实验,其经济性与环境收益来自特定假设下的模型评估。它提供的启发是,把下游分离和环境约束提前纳入菌株设计,有望同时改善工艺成本与绿色表现。

从实验室到工厂,放大应被视为一次新的验证和学习。供氧、传热、混合和原料波动会改变细胞所处的环境,下游分离也会影响最终成本。将工程模型与实验数据结合,有助于识别应优先验证的条件,让生产反馈回到菌株和工艺设计。

绿色价值也需要沿着完整流程形成评价依据。在产品功能和质量可比的前提下,评估原料获取、能源供应、生产、使用及废弃物处理各环节的资源消耗和环境影响。温和的反应条件能否使整个流程实现节能效果,还取决于原料预处理、发酵供氧和产品分离的消耗。在研发早期就把这些环节放在一起比较,可以让菌株性能、资源效率与减排目标相互衔接。实测结果、模型估算和未来目标应分别列明。

高通量研发平台侧重比较大量设计,中试平台则要验证放大、分离、质量与运行稳定性,两者需要接续。中试服务应交付一批样品背后的工程依据,包括可稳定运行的工艺条件范围、物料与能量收支、单位产品的用水与排放、质量检测方法、成本区间及未解决的风险。这些信息可以帮助研发方、生产方与投资方共同判断下一步投入什么。

这个反馈过程应持续到生产与上市之后。在经过验证的应用范围内,AI可以辅助分析生产批次和质量数据、识别偏差,并将问题反馈到菌株、工艺和供应商管理环节;客户的使用结果和需求变化,也应被纳入下一轮产品设计中。

在审批与监管环节,AI可以帮助梳理适用要求、核对证据缺口和材料一致性,并辅助进行上市后的风险信号分析。专业人员和主管机构仍需对证据与决策负责,模型本身的适用范围和可靠性也要接受验证。

资本也需要与清楚的验证节点相结合。早期投入在检验技术指标的同时,就应核对客户需求、成本目标和准入路径;进入中试后,再用真实原料、放大条件与产品质量数据修正这些判断;扩产之前,核验客户验证、单位成本、准入进展及新增产能的需求依据。AI可以辅助把技术、市场和审批流程的不确定性转化为多种情景。价格、政策或客户要求发生变化时,团队应及时重算,每个阶段的新证据也应反馈到选品与研发环节。

我期待AI进一步贯通从产品构想到产业应用的各个环节,让市场与准入要求进入设计,让实验、生产和使用中的证据不断返回决策。只有把每次探索留下的经验转化为下一次可调用的能力,才能让技术突破更稳定地走向绿色制造,也让政策与资本的长期投入有更坚实的基础。