登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《美国发布《2024年合成生物学推进法案》》

  • 来源专题：耕地与绿色发展
  • 编译者： 张毅
  • 发布时间：2024-10-24

  • 2024年5月23日，美国参议院发布《2024年合成生物学推进法案》，法案旨在建立国家合成生物学中心，以促进食品和农业领域的创新。通过应用合成生物学技术，加速农业生产的效率、可持续性和系统韧性，从而保障国家安全与经济未来及全球食品安全。法案强调了合成生物学在解决土壤健康、植物科学、动物健康乃至人类健康问题上的潜力。

    该中心将与联邦机构合作，为符合条件的学术机构提供资金支持，以开展与合成生物学相关的研究项目；还将提供一个平台，使研究人员和行业合作伙伴能够发现和开发基于合成生物学的科学解决方案，以提高农业生产效率并减少环境影响。中心将优先考虑细胞生物学、基因组学、微生物学等领域的研究，并鼓励申请者探索新的蛋白质来源和生物技术应用。

  • 原文来源：https://www.congress.gov/bill/118th-congress/senate-bill/4413
1095浏览量
原文链接
相关报告

  • 《美国发布《微电子和先进封装技术路线图》》
    • 来源专题：集成电路
    • 编译者：李衍
    • 发布时间：2023-03-31
    • 2023年3月1日，美国半导体研究联盟（Semiconductor Research Corporation, SRC）在美国商务部国家标准与技术研究院（NIST）资助下编制并发布《微电子和先进封装技术路线图》（以下简称“MAPT路线图”）临时报告，从生态系统、系统架构和应用、系统集成和基础微电子四个层面，规划并梳理关键核心技术和培育专业人才队伍所需的步骤，以确保未来美国在设计、开发和制造异质集成系统级封装（SiP）方面的创新能力。MAPT路线图以2021年版《半导体十年计划》和《异构集成路线图》为基础进行构建，提出了一个新的全面的3D半导体路线图，以指导即将到来的微电子革命。 MAPT路线图仍在开发，临时报告旨在广泛征集公众意见以实现高质量的最终路线图。MAPT路线图共包含12章。第一章为MAPT路线图报告概况，其余11章具体包括： 1. 可持续发展与能源效率。根据《半导体十年计划》，现阶段计算解决方案不可持续，随着计算需求的增加，计算的能源需求将超过市场上可用的能源。如果未来十年能源效率没有实现1000倍的提高，2040年后没有实现1000000倍的提高，计算将处于能源受限状态，不会增长、驱动新市场或刺激全球GDP增长。此外，由于全球半导体需求日益增长，以及美国《芯片法案》目标，预计未来几年美国的芯片制造将会增加。同时，从环境和人类健康的角度来看，芯片制造和先进封装所涉及的化学品、材料和工艺以及产品设计本身都必须尽可能可持续。可持续发展与能源效率的跨领域需求包括：（1）提高计算中的能源效率；（2）在半导体器件和系统的全生命周期中（如：设计、开发、制造、使用、产品使用寿命期后废弃管理）提高环境可持续性和效率；（3）随着社会需求的变化，可持续解决方案和系统创新所需的劳动力的发展。 2. 材料、衬底、供应链。本章聚焦微电子封装供应链生态的输入端，材料的来源、环境因素、成本等都会影响封装供应链的韧性和可持续性。MAPT路线图旨在确定未来几代先进电子封装结构中将使用的材料和化学品，重点考虑因素包括：高可靠性材料、新工艺材料、电气性能材料、机械性能/工艺可操作性材料、热管理材料、可靠性/温度/湿度性能优越材料和环境可持续材料。 3. 设计、建模、测试和标准。本章涉及未来的设计自动化组合和行业标准开发。这些设计工具和标准将有效帮助芯片和系统设计者探索和优化不同设计领域以及性能、功率/能源、面积/体积、保密性和安全性等指标，并将成为半导体行业的关键推动者。 4. 制造和工艺开发计量学。本章涵盖了半导体材料和器件研究、开发和制造等各个方面的测量。“表征和计量”可离线、在线和线上使用，包括物理和电气测量的所有方面。“表征和计量”涵盖了从原子尺度到宏观尺度的测量。对新材料和新结构的探索是表征密集型的，而且随着工艺技术的日益成熟，晶圆厂内计量（in-fab metrology）的使用也在增加。本章描述了MAPT路线图所有领域的表征和计量，从材料和器件到先进封装和异构集成以及系统。 5. 安全和隐私。本章确定了新出现的安全和隐私挑战，并概述了解决这些挑战的方法。本章对整个技术堆栈进行了全面分析，但重点强调了对制造和封装技术的影响。本章是对2019年IEEE发布的《异构集成路线图》（Heterogeneous Integration Roadmap）安全章节的补充。本章的主要主题包括：（1）异构集成中潜在的硬件安全漏洞；（2）确定SiP安全内容的可行策略，以及定义合理指标以评估安全弹性实施的可行策略；（3）针对特定应用的攻击预测和防御机制。 6. 劳动力发展。本章概述了未来十年MAPT领域劳动力的需求。美国上下一致认为，目前的人才库以及创建和支持美国国内MAPT劳动力的途径都远远达不到预期需求，并已成为关系美国经济和国家安全的关键点。目前，从技术认证师、专科学位操作员、维护工程师到硕士和博士工程师，MAPT领域不同教育水平的工人在数量、知识、技能和能力方面都不足以满足未来的需求。本章内容主要包括：（1）微电子劳动力需求的预测/时间表；（2）全国“赢得人心”运动的路线图；（3）整个MAPT生态系统的整体、有效的劳动力发展框架。 7. 应用驱动因素和系统要求。本章描述了各种应用领域的影响及其对MAPT路线图所涵盖的关键使能技术方向的影响，并具体讨论了数据中心和高性能计算、移动通信和基础设施、边缘计算和物联网、汽车、生物应用和健康、安全和隐私、以及防御和恶劣环境等应用实例。每一个应用领域都将以不同方式发展，并需要领域特定的系统来实现更高水平性能。 8. 先进封装与异构集成。本章重点介绍了微电子芯片的先进封装和异构集成的各个方面。由于使用更精细的晶体管（低于20nm）微缩芯片的成本优势正在减弱，因此有必要采用一种新方法，即将单个晶粒分解为更小的芯粒（chiplet）并在适当的技术制程上进行经济有效地制造。为了通过芯粒和无源元件的异构集成实现功能“缩放”，封装必须从“芯片载体”过渡到“集成平台”。随着微电子行业朝着为每个应用定制更高性能、更低功耗的解决方案发展，芯粒数量将继续增加。下一代封装技术需要支持这种异构集成的爆炸式增长，实现可以容纳极细间距I/O芯片和极细间距电路系统的互连。 9. 数字处理。本章重点介绍了已经渗透到现代社会各个方面的数字处理技术和基础设施。如今，产率问题、散热设计功耗（TDP）的实际限制、先进技术制程的高设计和制造成本对实现终端用户期望构成威胁。与此同时，人工智能/机器学习相关应用、高级认知需求、区块链等方面都要求处理不断增加的数据集，并执行越来越复杂的计算。单芯片封装解决方案不再适配数据密集型或高性能处理需求。此外，数据处理成本现在主要由将数据移动的能耗决定，包括在处理数据的微芯片内移动数据的能耗。将不同的未封装芯粒进行单片异构集成从而形成SiP，已成为解决这些挑战的重要方案。 10. 模拟和混合信号处理。模拟和混合信号处理驱动着模拟硬件的新兴应用和趋势，本章概述了该领域的短期、中期和长期前景。模拟元件对于世界-机器接口、传感、感知、通信和推理系统，以及所有类型的电气系统的电力分配、输送和管理至关重要。模拟信号处理或“模拟边缘”处理有助于减少必要的数字处理数量。本章的主要主题包括：（1）模拟和混合信号电路及处理；（2）电力转换和管理；（3）智能传感接口；（4）射频（RF）到太赫兹（THz）的器件、电路和系统（RF-to-THz devices, circuits and systems）。 11. 光子学和微机电系统。本章阐述了存储器、计算、传感、通信等所必需的重要配套技术。本章是对2021年荷兰PhotonDelta联盟和麻省理工学院微光子学研究中心发布的《国际集成光子学系统路线图》（Integrated Photonics System Roadmap – International, IPSR-I）的补充。本章的主要主题包括：（1）基于微机电系统和光子学的传感器和执行器；（2）用于通信的集成光子学；（3）用于存储器和计算的光子I/O；（4）材料和加工；（5）设计和建模支持。
    2128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
    226浏览量
    原文链接