《推动美容行业创新的成分? 生物学。》

  • 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:2019-09-17
  • 近年来,美容行业的估值超过5000亿美元,近年来一直在经历爆炸性的增长。从K-和J-Beauty的全球趋势,到包括清真美容和男士护肤系列在内的新兴空间,美容品牌和制造商以更快的速度服务于新市场,对可持续性,透明度,道德采购和功效的需求不断增加他们的配方。为了满足这些需求,他们依赖于一个看似不太可能的盟友:生物学。

    但鲜为人知的事实是,美女已经拥有令人印象深刻的悠久历史,成为科学和技术进步的早期采用者。科学已经解开化学合成群青用于蓝色颜料 - 之前被认为比黄金更珍贵,并且相应地定价 - 在彩妆(蓝色眼影,任何人?)中,以及在香水中开发鲸鱼衍生龙涎香的合成替代品。它也给了我们非动物来源的维甲酸和透明质酸。虽然历史上许多这些进步都源于化学,但生物学和生物技术已成为21世纪及以后的首选创新工具。

    在我们与全球美容景观客户的接触中,从建立到崭露头角的颠覆品牌,我们亲身体验了对创新成分和技术的迫切需求,这些成分和技术使快速发展的行业中的参与者具有竞争优势,引人入胜的新故事。生物学就是答案。仅在过去的二十年中,我们就以不断加速的速度,在将生物技术进步应用于消费者产品方面取得了令人瞩目的进步。 Biosance,Amyris的分散消费者美容品牌,自豪地通过生物技术引领可持续发展的标语,是未来更多的先锋和胜利。我们知道全球的品牌,制造商和消费者都渴望有更多方法来实现生物驱动产品的优势,而且我们已经看到这项技术如何触及食品和饮料,材料等领域。数十亿人的生命,以及我们所知道的这个星球,正在寻求生物学家现在提供 - 而且可能性既令人兴奋又无穷无尽。

    对于Geltor来说,我们的生产平台中包括合成生物学,发酵和计算生物学在内的学科交叉领域已经有意识地生物分配了像胶原蛋白这样的成分,这些成分超越了传统的对应物,在生物相容性,纯度和临床证明的功效方面具有前所未有的优势。而我们刚刚开始。对于精心应用的生物设计可以为转型产品提供动力的方式,有一些非常值得注意的事情,这些产品可以悄然推动行业前进,因为它们就是那么好。时机不可能更好:今天的普通消费者比十年前更加科学,思想复杂,更具辨识力,与气候和社会变化的现实一起演变。新一代的美容配方(包括Collume™和HumaColl21™)不仅没有降级到轻薄,而是为用户提供的新标准,不仅包括他们日常产品的制作方式,还在于他们提供的结果。

    ——文章发布于2019年9月4日

相关报告
  • 《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
  • 《量子传感器:推动半导体制造与行业应用创新》

    • 编译者:AI智能小编
    • 发布时间:2025-08-27
    • 著名市场分析咨询公司IDTechEx于3月31日发布了《量子传感器:通过半导体晶圆厂从实验室到芯片》报告。报告指出,量子传感器相比传统传感器在灵敏度上大大提高,甚至实现了全新的传感能力。预计包括原子钟、量子磁力计和量子陀螺仪在内的多个行业将受益于量子传感创新。然而,将量子传感器从实验室推向市场需要解决其尺寸、重量、功率和成本(SWaP-C)的优化问题。 根据IDTechEx的报告《2025-2045年量子传感器市场:技术、趋势、参与者、预测》,实现这一目标的最成功方法是在高度可扩展的半导体制造工艺中生产尽可能多的传感器。蒸汽电池和VCSEL等激光技术对量子传感器的发展至关重要。然而,高生产成本限制了量子传感器的可寻址市场,反过来又限制了制造规模的扩大,这是一个“鸡”和“蛋”的问题。 为了解决这一问题,业界正在推动工业和学术界的合作,以支持新兴量子技术的半导体制造业发展。将生产设施集中到“量子代工厂”提供了一种更有效的解决方案,促进量子行业内部对话可以减少资源浪费,从而更快地实现可扩展的生产。