《合成生物学突破了细胞》

  • 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:2019-04-18
  • 细胞是自然界最伟大的工程技术之一。它们包含在我们身体整个生命周期的说明中。它们是地球上所有生命的重要组成部分。但他们也有其局限性。

    细胞必须存活才能产生蛋白质,这是合成生物学研究的主要兴趣领域之一。这带来了许多挑战。实验室培养的蛋白质传统上是使用基于哺乳动物细胞,酵母和大肠杆菌的表达系统在体内产生的。该方法使用质粒表达所需的蛋白质。但转化的过程 - 将特定基因引入细胞以供质粒编码 - 非常耗时。即使在产生预期的蛋白质后,它们仍然可以被困在细胞中。必须裂解细胞,通常需要化学,酶促或机械过程,因此可以纯化蛋白质。总而言之,通过质粒进行蛋白质表达是非常费力的。此外,它不适合高通量蛋白质表达和筛选,这是任何生产平台满足现代合成生物学需求的重要组成部分。

    然后,当然,细胞死亡的事实。实验室中的细胞需要在接近理想生活条件的情况下保持快乐。研究人员还必须确保不要指导会无意中杀死宿主大肠杆菌细胞的蛋白质表达。为了产生某些更有毒的蛋白质,必须添加整个前体相 - 耗费时间,金钱和不小的挫折感。有些项目根本不可能,因为没有办法规避蛋白质与前体相的毒性。

    因此,与活细胞一样重要的是生命,它们的局限性造成了21世纪生物学进步的瓶颈。是不是更容易取消细胞的“活”部分并保持其余部分?

    打破细胞

    无细胞蛋白质表达就是这样。该技术保留了细胞的组成机制,但却留下了细胞培养和保存的麻烦。这开辟了一个充满可能性的世界。现在,可以快速,一致且可靠地生成感兴趣的蛋白质。这些蛋白质的活力也可以以相同的快速速度进行测试。

    西北大学Michael Jewett博士与SynBioBeta讨论了高产无细胞基因表达的进展。 “这些进步为通过遗传电路的模型驱动设计,快速便携的化合物传感和下一代教育工具包的新方法,深刻改变合成生物学提供了令人兴奋的机会。”

    Jewett博士还看到了“按需生物制造疫苗和治疗剂”的无细胞效益。这对于开发新的抗生素尤为重要,特别是随着全球抗生素耐药性的增加。

    像Arbor Biosciences这样的公司可以轻松地让任何研究人员都能使用无细胞技术,这使他们成为研发和合成生物学市场的领导者。他们的无细胞蛋白质表达平台myTXTL®使用主混合物创造一个开放式反应环境,不受细胞壁或细胞膜的限制。主混合物包含大肠杆菌的所有代谢功能,包括转录(TX),翻译(TL)和蛋白质折叠机制,以及氨基酸和ATP再生系统。但事实上,它并不是一个活生生的有机体。掌握了混合物,“表达您感兴趣的蛋白质所需的一切都是DNA模板,质粒或线性DNA,管和移液管,”myTXTL产品开发科学家Evelyn Eggestein博士说。 “它易于访问和控制。”

    “用户友好”是合成生物学不断发展的关键因素。只有最专业的专家才能在该领域工作的日子正在迅速消失。致力于SynBioBeta的作家Ian Haydon将今天的合成生物学与50年前的计算技术进行了比较:仅限专家。但是,像myTXTL这样易于使用的平台是推进和简化生物技术的下一步。考虑到myTXTL平台还可以与线性DNA片段结合使用,尤其是IDT和Twist等几个提供者可以在不克隆到质粒载体的情况下筛选数百万个DNA样本,从而可以对其进行廉价和序列完善。这种类型的筛选可用于基础研究以及新型诊断工具。

    多家公司以及Arbor Biosciences支持的几个iGEM团队正在开发基于家庭妊娠试验形状因子的纸质分析。这些类似卡片的测试包含干燥的主混合物,生物传感器和荧光报道分子。完成测试所需的全部是生物样本本身。这些易于携带的口袋大小的测试有可能迅速识别,帮助减缓甚至控制疾病爆发。它们还可以辅助现场诊断,特别是如果没有冷藏,或者用于筛选实验室覆盖率差的发展中地区的遗传条件。

    基于纸张的形状因子的潜力不仅与地球有关。冷冻干燥的混合物可以带到火星上,用水润湿,然后vo!蛋白质生产进入火星。这种深远的思维方式与对合成生物学在太空中应用的日益认可相一致。与往常一样,合成生物学领域的人们正在展望未来。

    无细胞技术的未来是什么样的?

    现在,Arbor Biosciences已成功开发出适合高通量筛选的平台,其营销总监Matthew Hymes设想开发具有扩展新功能和特性的无细胞系统。 “E.大肠杆菌只有这么多基本机器,“Hymes解释道。 “那么我们可以在无细胞系统中添加其他元素来驱动特定蛋白质折叠或添加翻译修饰吗?”答案是:是的,我们可以!传统(体内)蛋白质生产平台已经找到了如何生产通常不在细菌细胞质中折叠的蛋白质的解决方案,或者如何用小分子对蛋白质进行位点特异性标记以用于治疗和诊断用途。 “现在是时候将这些方法适应并整合到无细胞系统中,”Eggenstein博士说。

    Jewett博士还强调,无细胞系统“是代谢工程进化的下一个阶段。”“[这些系统]为在活细胞和扩大规模实施之前调试和优化生物合成途径提供了令人兴奋的机会。”他们可以还可以执行“设计 - 构建 - 测试”迭代,而无需重新设计生物。当生物转化产率,生产力或细胞毒性限制商业可行性时,它们甚至可以“进行分子转化”。

    Hymes承认无细胞技术目前尚未完全处理完整代谢工程的复杂性。但是,当他谈到无细胞代谢工程时,它的语气是“何时”,而不是“如果”。超出当前前沿的科学的确切性质是未知的。但可以肯定的是,未来正在突飞猛进。 Arbor Biosciences的团队已经准备好张开双臂。

    ——文章发布于2019年4月5日

相关报告
  • 《合成生物学拓展细胞器利用的新应用》

    • 来源专题:生物科技领域知识集成服务
    • 编译者:陈方
    • 发布时间:2020-04-08
    • 2018年8月24日《自然-通讯》报道,美国肯特大学的研究人员重新设计并改造了细胞器,以便更容易操纵和部署,将细菌转变为“细胞工厂”。这一改进系统允许在细胞内合成纳米反应器,有助于将糖转化为生物燃料。该技术还可以用在纳米粒子上涂覆蛋白质,以生产疫苗。 研究中改进的这些细胞器直径约为100纳米,被称为细菌微室(bacterial microcompartments,BMCs),天然地容纳了特定的代谢途径,本质上是一系列相互关联的化学反应。尽管BMC在生物技术领域具有巨大潜力,但其应用的一个关键障碍是难以控制将新的途径和过程定位到BMC上。为了解决这个问题,研究人员重新设计了BMC的一个关键表面成分,使其不仅能将蛋白质内化在BMC中,还能显示在细胞器的表面。文章介绍,研究者利用一对相互作用的多肽,使蛋白质可以靶向细胞器,该技术促进了BMCs表面蛋白质的显现。随后,研究人员利用合成生物技术改造了BMC外壳上的一个成分,使蛋白质能够内化在BMCs中。 研究者表示,这一突破将为细胞器利用带来更加广泛应用,包括生物燃料的产生、药物传递和疫苗开发等。同时,该研究也证明了合成生物学研究有助于生物技术实现更广泛的应用。
  • 《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