《为什么碳回收可能是合成生物学的最高成就》

  • 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:2019-07-01
  • 地球正在升温。

    去年,37.1千兆吨的二氧化碳被释放到大气中。每秒产生240万磅(或110万公斤)。虽然二氧化碳的升温潜能远远超过甲烷和碳氟化合物衍生物等其他化合物,但排放的碳量仍然令人不安。

    偶然,碳也是生物学的关键。将简单的碳分子(如二氧化碳)转化为多碳化合物是生命,新陈代谢和进化的核心。在工业中,排放的碳气也可用于生产化学产品,而不是来自化石燃料和精炼石油。

    然而,碳固定并不容易,解决这个问题需要大量投资,密集的生物学研究和创新方法。例如,低大气浓度的温室气体使它们极难捕获和再循环。二氧化碳在大气中仅占大约百万分之405,甲烷占百万分之二。

    尽管大气中温室气体浓度较低,但自养生物 - 如漂浮在世界海洋中的大片蓝藻 - 可以利用阳光有效地将二氧化碳转化为食物和氧气。然而,固定碳的天然代谢途径通常依赖于缓慢或低效的酶,如RuBisCO。此外,生物学家对即使是最简单的生物体的基因和相互作用的蛋白质网络也有不完全的理解,混淆了我们重新接触新陈代谢以增强碳固定的能力。

    尽管存在这些障碍,但仍然不能持续依赖石化产品,迫切需要一种通往碳基产品的新途径。合成生物学在这里有所帮助。

    带垃圾,带现金

    许多公司已经开始通过重新布线微生物代谢来将温室气体转化为生物燃料和塑料。几乎在所有情况下,工厂或垃圾填埋场排放的“废物”气体都被用作碳源。

    总部位于伊利诺伊州Skokie的LanzaTech将工厂排放的废弃一氧化碳转化为乙醇,很快将其他化学品转化为乙醇。 SynBioBeta的撰稿人EmiliaDíaz之前曾撰写有关LanzaTech快速增长和基因工程套件的文章。 LanzaTech已经在商业规模生产乙醇超过一年,在中国运营的气体发酵设施和加利福尼亚州,比利时,印度和南非正在建设的其他设施。他们每年将通过碳废物生产约7700万加仑的乙醇。

    根据LanzaTech的首席科学官兼联合创始人Sean Simpson博士的说法,工程微生物特别适合碳转化,因为“化学方法需要非常固定比例的气流,因此[碳源]不仅必须非常固定,但也要确定对所需产品的选择性。“

    基本上,在生物学进入聚光灯之前,碳废物排放的不可预测性是一个问题。

    “有了生物学,你就拥有了一种能够吸收高度可变入口气体的催化剂,这是你从生物质废物或工业过程产生的废物流中获得的......并且可以将可变气体转化为高产量的单一产品选择性,“辛普森说。

    但工厂排放并不是合成生物学公司旨在获取利润的唯一可行的碳源。其他人正在从农场和垃圾填埋场吸收碳并用它来制造燃料或塑料。

    几乎所有地球上的塑料都是用石油制成的,但总部位于加利福尼亚的Newlight Technologies公司旨在改变这一点。他们使用垃圾填埋场甲烷生产一种名为AirCarbon的塑料。该方法包括将甲烷与空气混合并将其转化为液体,然后将其加入微生物中。微生物产生的生物聚合物可以熔化以制造塑料产品,包括手机壳和椅子。

    近年来,Newlight与包括宜家和维玛在内的大型塑料经销商合作,并宣布了快速扩大生产规模的计划。由于Newlight希望减少碳排放,同时提供更环保的塑料替代品,因此正在建设年产量达3亿和6亿磅的生产设施。

    尽管人们对碳回收持续存在兴趣,但仍有许多障碍需要克服。工业界越来越多地建立学术伙伴关系,以追求冒险的想法,并开发出现成的碳回收解决方案。

    学术界推动碳回收

    为巩固学术关系,一些公司在财务上支持合成生物学的学术研究。 Ingenza和Sasol UK之前与Dundee大学的Frank Sargent教授合作开发了一种捕获和回收废二氧化碳的方法。发表在Current Biology上的合作结果表明,大肠杆菌可以将100%的气态CO2转化为甲酸,并使用一种叫做甲酸氢化酶或FHL的酶。

    现在,Ingenza正在推动该项目的发展,旨在利用该技术捕获和回收发酵过程中的碳废物,同时生产化学品。 Ingenza已经成功地利用发酵,蛋白质工程和合成生物学来设计细胞,用于大规模生产抗生素和化学品以保护作物。

    但要应对像全球碳排放这样巨大的挑战 - 并在减少它们方面做出真正的努力 - 学术界必须超越模式生物,如大肠杆菌,寻求答案。

    伦敦帝国理工学院代谢工程小组组长Patrik Jones博士知道,天然碳固定过程存在严重的局限性,但他们相信合成生物学可以产生相当大的影响,并且可以更好地理解生物学。他的团队的目标是开发“可以增强人类活动可持续性的全新概念”。

    通过研究和设计自养生物,特别是最初在淡水池中发现的蓝藻菌株,琼斯集团已经成功地从光合作用中生产出脂肪酸,醇,烷烃和烯烃。他们还“挖掘”了这种蓝细菌的基因组,以更好地了解其代谢网络。尽管做了这些努力,生物学并不容易揭示它的秘密,并且生物体并不总是适合遗传“重新布线”。

    琼斯表示,“我们在扩大工程自养系统方面面临着重大挑战,但最近我觉得我们正在逐步集体,在解决一些关键挑战方面取得进展,例如污染和遗传稳定性。”琼斯还解释说为了改善碳固定以改善人类活动,科学家们首先要弄清楚如何提高碳固定的总体速度。

    位于德国马尔堡郊区的另一个学术实验室旨在实现这一目标。

    “从生物化学的角度来看,RuBisCO已发展到一定的最佳状态,但它不能再进一步发展,”马克斯普朗克陆地微生物研究所所长Tobias Erb教授说。

    “RuBisCO可以修复二氧化碳,它可以很快,但会产生很多错误,或者它可以准确,但效果很慢,”Erb说。尽管RuBisCO在植物和许多光合生物中无处不在,但它作为一种酶有点令人失望。它经常“错误地”与氧气结合,而不是二氧化碳,这会降低其效率。

    然而,Erb看到了自然界的潜力,并认为合成生物学可用于改善像RuBisCO这样的酶。 “我们希望从大自然中学习,然后运用知识开发解决方案,”Erb说,他的实验室以挖掘生物基因组和开发新酶以克服碳固定限制而闻名。

    2016年,Erb的研究小组发表了第一个用于体外固定二氧化碳的全合成代谢途径。合成途径称为CETCH,由来自9种不同生物的17种不同酶组成,包括3种工程酶。值得注意的是,它比一些天然碳固定途径的效率提高了五倍,并且对氧气完全不敏感。

    虽然将这种途径整合到活细胞中更具挑战性,但Erb认为,随着技术的进一步发展,合成碳固定途径有朝一日可能会在体内实施。

    凭借自然界的灵感,合成生物学为碳回收提供解决方案。但是工作还有待完成,未来将建立在生物学的支柱上,而不是机会。

    生物学理解是未来的支柱

    随着科学家们探索分子世界以寻找巨大问题的答案,生物学仍然不愿意分享它的秘密。琼斯知道还有很多基础工作,合成生物学尚不清楚。

    “总的来说,我们的主要限制是理解。生物学很复杂,虽然我们认为我们了解大多数基因在模式生物体中的作用,但这仍然让我们面临着理解他们共同贡献的网络的挑战,“他说。

    然而,随着LanzaTech,Newlight和Ingenza等公司将碳回收规模扩大,Jones和Erb等学者在开发新的合成生物工具方面向前推进,碳排放量可能会大幅减少。

    在许多方面,人类碳排放是地球有史以来面临的最大挑战。减少我们足迹的解决方案将是合成生物学的最高成就。

    ——文章发布于2019年6月25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
  • 《合成生物学能激发下一波人工智能吗?》

    • 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:2019-12-12
    • 在20世纪初建造世界上第一架飞机的过程中,莱特兄弟从鸟类“富有洞察力的”运动中获得了灵感。他们观察并逆向设计了自然界中翅膀的各个方面,这反过来又帮助他们在空气动力学和推进方面做出了重要的发现。 同样,要制造会思考的机器,为什么不从我们两耳之间的三磅物质中寻找灵感呢?人工智能的先驱、图灵奖的获得者杰弗里·辛顿(Geoffrey Hinton)似乎同意这个观点:“我一直认为,让人工智能发挥作用的唯一方法,就是用类似人类大脑的方式进行计算。” 那么,人工智能(AI)的下一步是什么?下一波人工智能会受到生物学快速发展的启发吗?在分子水平上理解大脑回路的工具能让我们对人类思维如何运作有一个更高的系统层次的理解吗? 答案很可能是肯定的,在学习生物系统和开发人工系统之间的思想交流实际上已经持续了几十年。 机器学习的起源:人类脑科学 首先,生物学和机器学习有什么关系?你可能会惊讶地发现,机器学习的进步在很大程度上源于心理学和神经科学的洞见。强化学习(RL)是机器学习的三种范式之一(另外两种是监督学习和非监督学习),它起源于20世纪40年代的动物和认知神经科学研究。RL是当今一些最先进的人工智能系统的核心,比如广为宣传的AlphaGo,它是领先人工智能公司谷歌DeepMind开发的人工智能代理。AlphaGo在围棋比赛中击败了世界顶级棋手。围棋是一种中国棋类游戏,棋盘组合比宇宙中的原子还多。 尽管AlphaGo在围棋比赛中表现出了超人的能力,但它的人类对手仍然拥有比它多得多的智力。他会开车,会说外语,会踢足球,在任何环境下都能完成无数其他的任务。目前的人工智能系统在很大程度上无法利用学到的知识来玩扑克,并将其转移到其他任务上,比如玩《妙探寻凶》(Cluedo)游戏。这些系统专注于单一、狭窄的环境,需要大量的数据和培训时间。尽管如此,他们还是会犯一些简单的错误,比如把吉娃娃当成松饼! 儿童和人工智能系统有什么共同点 与儿童学习类似,强化学习基于人工智能系统与其环境的交互作用。它采取行动,寻求最大限度的奖励和避免惩罚。在好奇心的驱使下,孩子们是积极的学习者,他们会同时探索周围的环境,预测自己的行为结果,从而建立起随意思考的心智模型。例如,如果他们决定推红色的车,打翻花瓶,或者爬向另一个方向,他们会根据行动的结果调整自己的行为。 孩子们会体验到不同的环境,他们会发现自己在不同的环境中,以不同寻常的方式,与各种情境和物体的性情进行导航和互动。就像孩子大脑发育可以激发人工智能系统的发展,RL代理的学习机制是平行于大脑的学习机制由释放多巴胺,一种神经递质中枢神经系统的关键——火车前额叶皮层响应的经验,因此形状刺激反应协会以及结果的预测。 合成生物学和人工智能 生物学是人工智能最有希望的受益者之一。从研究导致肥胖的令人难以置信的基因突变组合,到研究导致某些细胞失控并产生癌症的错综复杂的途径,生物学产生了大量复杂、令人费解的数据。但是这些数据集中包含的信息通常提供了有价值的见解,可以用来改善我们的健康。 在合成生物学领域,工程师们试图“重新连接”活的有机体,并用新功能对它们进行编程,许多科学家正利用人工智能设计更有效的实验,分析它们的数据,并利用它们创造突破性的疗法。我最近特别提到了五家公司,它们正在把机器学习与合成生物学结合起来,为更好的科学和更好的工程铺平道路。 人工一般智能:人工智能的圣杯 人工一般智能(AGI)描述了一种能够模仿类人能力(如计划、推理或情感)的系统。数十亿美元已经投入到这个令人兴奋的、潜在利润丰厚的领域,导致一些人声称“数据就是新石油”。 在众多致力于通用人工智能的公司中,有谷歌的DeepMind、瑞士人工智能实验室IDSIA、Nnaisense、Vicarious、Maluuba、OpenCog Foundation、Adaptive AI、LIDA和Numenta。像机器智能研究所和OpenAI这样的组织也将AGI作为他们的主要目标。国际人类大脑项目的目标之一是模拟人类大脑。 尽管实现AGI所需的人才、工具和高质量数据越来越多,但我们仍有很长的路要走。 人工智能在我们的日常生活中 今天,像机器学习(ML)这样的人工智能技术在我们的社会中无处不在,从医疗、制造到交通和战争,但它们被称为“狭义人工智能”。他们确实处理和学习了大量的数据,以识别单个任务中有洞察力和信息丰富的模式,比如预测机票价格、在图像中区分狗和猫,以及在Netflix上生成您的电影推荐。 在生物学领域,人工智能也在改变你的医疗保健。它正在产生更多更好的候选药物(Insitro),测序你的基因组(Veritas Genetics),越来越早地检测你的癌症(Freenom)。 我们将何去何从? 作为人类,我们能够在一个环境中快速获取知识,并将其推广到另一个环境中,跨越新的多种情况和任务,这将允许我们开发更高效的自动驾驶汽车系统,因为它们需要在道路上同时执行许多任务。在人工智能研究中,这一概念被称为转移学习。它帮助人工智能系统从几个例子中学习——而不是传统计算系统通常需要的数百万个例子——来构建一个从基本原理中学习、抽象所获得的知识并将其概括为新的任务和上下文的系统。 为了制造出更高级的人工智能,我们需要更好地理解大脑的内部工作机制,从而能够描绘出我们周围的世界。在理解生物智能和创造人工智能之间有一个协同的任务,从我们的大脑中寻找灵感可能会帮助我们弥合这个差距。 ——文章发布于2019年11月28日