登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《多伦多大学的生物学家开辟了作物感染战的新策略》

  • 来源专题：动植物疫病
  • 编译者： 刘小燕
  • 发布时间：2020-05-09

  • 每年全球作物产量40%的损失是由病虫害和病原体（例如细菌、病毒和其他引起疾病的微生物）造成的。细胞和系统生物学资深教授古特曼（Guttman）和达雷尔·德斯沃（Darrell Desveaux）共同领导的团队展开了一项新研究，他们对大约500个丁香假单胞菌（Pseudomonas syringae）的基因组进行了测序，这种细菌会导致几乎所有主要作物物种的疾病，鉴定出来自70个不同家族的大约1.5万个效应子（一类重要的病原体蛋白）。研究人员随后合成了所有这些有代表性的效应子，并将它们放入一种特别有害丁香假单胞菌菌株中。通过对每个效应子进行感染，他们发现530个效应子中有一部分引发了由效应子触发的免疫反应，从而保护了植物。统计显示，超过11%的效应子能引起免疫应答反应，几乎97%的丁香假单胞菌菌株都携带了至少一种免疫诱导效应子。该结果为植物如何在病原体攻击下存活提供了新的线索，还提供了一种新的方法来识别新的植物免疫受体。该研究的资金由加拿大自然科学与工程研究委员会和加拿大研究主席计划提供。

185浏览量
原文链接
相关报告

  • 《美国微生物学会发布报告反思如何培养微生物学家》
    • 来源专题：生物科技领域知识集成服务
    • 编译者：刘晶晶
    • 发布时间：2014-06-22
    • 2013年2月，美国微生物学会召开了一个专题座谈会来讨论目前微生物工业是否已经发展成熟，哪些是这个产业需要继续发展的，以及需要制订哪类教育计划来提升产业人员的水平。20名知名生物技术、微生物学、工程学和教育学专家，以及来自产业和学术界人员参会。2014年4月，此次会议讨论形成的专题报告发布，主要涉及以下问题： 微生物学在未来工业社会的最大挑战和机遇有哪些？ 人类对可以解决这些挑战的微生物生物技术产业的需求有哪些？ 所有微生物学家所需的微生物教育培训的核心元素有哪些？ 哪些类型的培训可以使学生更好地成为生物产业从员人员？ 产业、学术界和基金机构如何为就业后的人员培训提供支持？ 美国微生物学会（ASM）如何支持微生物学进一步发展？ 报告建议： 1.重新定位微生物学位教育 很多大学设有微生物学课程，但多数学生学习微生物学只是为了从事医学行业，许多大学的微生物学课程也只关注卫生微生物学和生物医学方面的内容。如果进入大学后的学生只对生物学感兴趣而不是医学，或放弃医学前期课程学习，就有可能无法发现微生物学是很多除了医学外的就业选项的基础。而通常学校也不能提供为学生就业该领域做准备的系列微生物学课程。因此，关键是要开发出为微生物产业界服务的，可引导学生了解微生物学的课程，它可以全面地介绍该领域的状况。这些课程将不仅可以使基础微生物学成为生物医学教育的重要组成部分，也可以促进生物技术、生物制造、发酵科学和生物修复等的深入研究。 1）重新考虑大学微生物学教育 研讨会成员建议重新配置大学微生物学课程。该门课程的介绍需被设计成可以概述复杂的微生物世界。理论上学生在这些课程中可以听到不同类型的微生物学家们介绍他们的职业选择。更多的学生可以了解不同就业选择，使他们更愿意下决心从事医学、工业和其他微生物相关职业。工业微生物课程包括： 微生物多样性和生态学：让学生了解微生物世界的新陈代谢潜力。 微生物生物学和生物化学：使学生熟悉主要的微生物生命过程、热力学原理作用于微生物、微生物与环境相互作用的多种途径。 让学生们亲手进行分离、培养、发酵和基因操控技术等微生物学实验，教导学生们分辨、处理和控制微生物的方法。 除了微生物学，定量技术也是一个工业中的重要应用。因此，学生们应该熟悉微积分、线性代数、统计学、大数据集管理和编程。认识到数学专业的高级定量课程教学可以破除许多生物学专业学生的障碍（为他们学习其他课程打好基础），参会者呼吁设立微生物学专业的定量技能课程目标，将定量内容加入到所有微生物学课程中，学生可以学习怎样在生物问题和应用中运用定量技术。 2）扩大研究生教育机会 （1）研究生教育计划 可以想象硕士学位计划将对提升微生物产业就业人员的能力有很大促进作用，但他们应该来自跨学科领域。硕士学位计划将补充学生们在大学培训中未获得的新技术和专业知识。各种学科相结合，如传统微生物学专业与工程学、定量学技术结合，以及工程学专业与微生物专业结合都被证实是有用的。其他有用的学科都可以与微生物学或工程学组合在一起，包括工业过程、商业管理、知识产权评价、数据分析和管理等。学习和工业研究安排都是硕士学习阶段的重要组成，所以需要激励硕士学位授予机构和相关产业。专业科学硕士计划特别适合这一增长领域，因为该计划将科学技术培训与商业理解紧密结合起来。 （2）博士生教育计划 由于微生物产业增长，它将为已经获得大学和硕士学位的学生们提供更多更合适的就业机会。此外，公司正在大量投入研究开发基金用于微生物的新工艺或设计新功能微生物，需要具有独立研究能力、开发技能的博士学位人员。 与其单纯讲述职业潜力，让学生们掌握可用于产业的技术将更有意义。例如，研究生学院很少教授评估知识产权规划的产业技能，该技能可以辨别研究成果是否填补了空白及其应用前景。 如果学生对该产业感兴趣还可以给他们机会去亲身体验。研讨会讨论了两个方案，一是在企业的短期实习，它将使学生和公司两方受益。公司可以让学生参与高风险、高回报的项目，同时学生可以与产业科学家互动，得到充分训练。尽管美国的生物技术公司已在实行这种实践活动，但这在其他国家并不普遍，特别是在欧洲。 另一方案是募集产业科学家作为学生论文研究的导师，特别是让学生负责企业的研究项目。两个方法都有可操作性，但实施起来都有一定困难，公司不象学术机构，它们有不同的目标和关注重点。专利信息必须得到保护，所以学生不能被分配到没获得允许的保密团队中。学生们可以进入现在没有知识产权问题的项目组，但他们必须与所有涉及知识产权的项目隔离开来。公司在两种情形下都必须与大学达成协议以便使学生的发现得到正确处理。 2.非传统教学形式 除传统学位计划以外，其他形式的教学方法同样可以用于传授特别技能或新软件应用，或为学生或职员介绍现在专业或工作外的新领域研究。例如在学生、刚毕业的从业人员中开展再教育，使他们能很快熟悉新的技能，举办夏季专业课程，无论学生和职员都喜欢这种多学科高度合作的学术气氛。
    291浏览量
    原文链接

  • 《与五家使用AI工程生物学的合成生物学公司会面》
    • 来源专题：人类遗传资源和特殊生物资源流失
    • 编译者：yanyf@mail.las.ac.cn
    • 发布时间：2019-09-24
    • 电视和广播称“人工智能即将来临”，它将接替您的工作并在国际象棋上击败您。 但是，人工智能已经来临了，它可以在国际象棋上击败您，这是世界上最好的。在2012年，Google还使用它来识别YouTube视频中的猫。今天，这就是特斯拉拥有Autopilot，Netflix和Spotify似乎“读懂你的思想”的原因。现在，人工智能正在改变合成生物学的领域以及我们如何设计生物学。它可以帮助工程师设计出新的方法来设计基因回路，并且通过已获得的巨额投资（过去10年中的12.3亿美元）及其正在破坏的市场，它可能对人类的未来产生重大影响。 人工智能的概念相对简单，它是具有推理，学习和决策行为的机器编程。一些AI算法（只是计算机遵循的一组规则）在这些任务上非常出色，以至于可以轻易胜过人类专家。 我们听到的关于人工智能的大多数信息都涉及机器学习，这是AI算法的子类，可以从数据中推断出模式，然后使用该分析进行预测。这些算法收集的数据越多，其预测就越准确。深度学习是机器学习的一个更强大的子类别，其中大量称为神经网络（受大脑结构启发）的计算层协同工作以增加处理深度，从而促进诸如高级面部识别（包括iPhone上的FaceID）之类的技术）。 [有关人工智能及其各个子类别的更详细说明，请查看本文及其流程图。] 无论AI的类型或用途如何，我们都处于计算革命之中，它将其卷须扩展到“计算机世界”之外。很快，AI将影响您服用的药物，燃烧的燃料，甚至是您用来洗衣服的洗涤剂。 特别是生物学，是人工智能最有希望的受益者之一。从调查导致肥胖的遗传突变到检查癌细胞的病理样本，生物学产生的数据非常复杂，令人费解。但是，这些数据集中包含的信息通常提供有价值的见解，可用于改善我们的健康状况。 在合成生物学领域，工程师寻求“重新连接”活生物体并为其编程以新功能，许多科学家正在利用AI设计更有效的实验，分析其数据并使用其来创建突破性的疗法。这是五家将机器学习与合成生物学相结合的公司，为更好的科学和更好的工程铺平了道路。 Riffyn催化干净的数据收集和分析 （加州奥克兰，成立于2014年，已筹集了2490万美元） 机器学习算法必须从大量数据开始-但是，在生物学上，要生成好的数据非常困难，因为实验耗时，繁琐且难以复制。幸运的是，有一家公司正在通过简化科学家的工作来解决这一瓶颈。 Riffyn基于云的软件平台可帮助研究人员标准化，定义和执行实验，并简化数据分析，这使研究人员能够专注于进行实际的科学研究，并使使用机器学习算法从他们的实验中获得更深刻的见识成为日常现实。 使用此平台，可以更有效地进行实验，从而导致成本大幅下降，生产率和质量得到改善，并且准备使用复杂的机器学习技术进一步分析数据。这意味着公司可以使用这项技术来开发用于癌症治疗的新蛋白质，并且他们可以比以前更快，更好地做到这一点。里芬（Riffyn）已经与15家全球生物技术和生物制药公司中的8家进行了合作-他们成立于五年前。 Microsoft Research Station B：汇集编程生物学的难题 （英国剑桥，于2019年正式启动） 合成生物学世界中有许多活动的部分，这使得尽可能简化和整合操作变得困难而至关重要。在过去的十年中，Microsoft Research的计算生物学部门B站一直在开发生物学的机器学习模型，以解决此问题并加快从医学到建筑的各个领域的研究。 它的努力也以各种新的伙伴关系的形式获得了回报。借助Synthace，它正在开发用于自动化和加速实验室实验的软件。 B站还与普林斯顿大学合作，通过利用基于机器学习的方法从生物生长不同阶段拍摄的图像中提取图案，研究生物膜背后的机制（与细菌菌落如何产生抗生素抗性有关）。 B站还与牛津生物医学公司合作，该公司利用这些机器学习功能来改善针对白血病和淋巴瘤的有前途的基因疗法。这也许是合成生物学影响最大的领域之一：设计与多种疾病作斗争的疗法。 Atomwise：深度学习解码结构蛋白设计的黑匣子 （总部位于美国加利福尼亚州旧金山，成立于2012年，已筹集了5100万美元） Atomwise正在通过其称为AtomNet的深度学习平台来应对药物开发，该平台可以快速对分子结构进行建模。它可以准确地分析小分子内的化学相互作用，从而预测针对埃博拉病毒至多发性硬化症等疾病的功效。通过利用有关原子结构的数据，Atomwise设计了新颖的疗法，否则将几乎不可能开发。 他们与包括Charles River Laboratories，默克，多伦多大学和杜克大学医学院在内的机构建立了众多学术和公司合作伙伴关系，这些机构正在提供许多现实世界的应用程序和机会来推动这项研究的发展。他们最近还宣布了与江苏汉寿药业集团的高达$ 1.5B的合作，该公司是今年最大的生物制药IPO之一。 尽管Atomwise的分子设计方法功能强大且可以有效抵抗多种疾病，但还没有一种完美的方法来进行计算发现。那就是Arzeda进来的地方。 Arzeda：使用从头深度学习重写蛋白质设计规则 （华盛顿州西雅图市，成立于2008年，已筹集了1520万美元） Arzeda是一家来自华盛顿大学贝克实验室的公司，利用其蛋白质设计平台（当然植根于机器学习算法）来对蛋白质进行工程改造，从工业酶到农作物及其微生物群落。 Arzeda完全从零开始（或从头开始）构建其分子，而不是优化现有分子，以执行自然界中未发现的新功能；深度学习技术对于确保其设计的蛋白质正确折叠（非常复杂的计算问题）并按预期发挥功能至关重要。一旦完成计算步骤，就可以通过发酵（就像啤酒一样）来生产新蛋白质，而绕过自然进化过程以有效地生产全新的分子。 分布式生物：彻底改变流感，癌症，蛇咬等的未来 （加利福尼亚州南旧金山，成立于2012年，由许可技术自筹资金） 在设计范围的另一端，Distributed Bio利用合理的蛋白质工程技术来优化现有的抗体，这些抗体是您体内的蛋白质，可以检测细菌并与其他引起疾病的入侵者抗争，从而创造出新颖的疗法。 Tumbler平台是该公司拥有的众多免疫工程技术之一（从通用流感疫苗到广泛覆盖的蛇抗蛇毒）。 Tumbler使用机器学习方法创建了超过5亿种起始抗体变体，以扩展和量化分子中哪些变化最有价值的搜索空间。然后，它会对序列进行评分，以预测它们在现实生活中与目标的结合程度，并使用“有价值的变化”信息进一步改善得分最高的序列。随着最高级序列的合成和在实验室中的测试，生产周期继续进行。最终，原型分子应运而生，以实现预期的治疗目的-自然界中不一定观察到这种现象，而是结合了所有可能的最佳特征。 Tumbler已帮助实现了超越传统单一靶标药物开发的广泛应用-从设计可同时与多个靶标结合的抗体到创建嵌合抗原受体T细胞（CAR-T）治疗（与Chimera Bioengineering一起）用于癌症治疗具有降低的毒性，此端到端优化平台大规模产生理想抗体的能力是空前的。 尽管这一进展令人兴奋，但人工智能并不是我们对自然界研究的普遍替代，也不是开发治疗人类疾病的唯一方法。有时，它在技术上可能没有用，甚至从道德上讲也不是合理的。随着我们继续获得这项技术的好处并将其日益融入我们的日常生活中，我们必须继续就合成生物学和AI创新的设计，实施和道德操守进行对话。我们站在科学和人类新时代的悬崖上。 ——文章发布于2019年9月19日
    202浏览量
    原文链接