合成生物新突破！中科院罗小舟团队开发 ProEnsemble 机器学习框架：优化进化通路启动子组合
内容提要
研究人员利用自动化大设施平台技术和机器学习框架实现了代谢通路关键基因的自动同步进化，提高了底盘开发的速度和效率。优化启动子组合提高了柚皮素产量，成功合成了其他黄酮类化合物。中国合成生物产业需要加强核心技术研发，缩小与发达国家的差距。
延伸解读
基因上位效应：代谢途径进化的隐形瓶颈
文章指出，基因上位效应是限制代谢途径进化的重要因素。上位基因可以抑制特定基因的功能性表达，使得一些有助于优化代谢途径的突变无法发挥作用，导致进化过程不确定。自然状态下，一个酶的微小改造可能阻碍另一个酶的作用，延长了代谢功能增强或新功能挖掘的周期。因此，如何快速达到自然进化所需效果，成为该领域的研究难点。
ProEnsemble模型：数据平衡与预测精度
ProEnsemble模型通过优化启动子组合提高柚皮素产量。初始数据集包含158个突变体，但分布不平衡可能限制预测能力。研究人员扩大训练集，增加27个高于600 mg/L的数据后，模型表现最佳，Pearson相关系数从0.74提高到0.82。这表明数据集平衡分布对增强模型性能至关重要，也为机器学习在代谢途径优化中的应用提供了参考。
柚皮素底盘的应用验证与产量提升
研究通过柚皮素底盘成功合成了染料木素、樱花素和橙皮素等黄酮类化合物，产量分别为72.32 mg/L、223.39 mg/L和82.50 mg/L，均高于文献报告水平。其中，最高产的NAR2.0菌株柚皮素产量达1.21 g/L，比NAR1.0高出16%，比初始构建体高5.16倍。随机启动子库中超过99.11%的菌株产量低于1g/L，凸显了ProEnsemble模型挖掘高产菌株的潜力。
中国合成生物产业：初级阶段与产研融合
文章指出，中国合成生物产业仍处于初级阶段，需要加强核心技术研发以缩小与发达国家的差距。作者罗小舟博士创立的森瑞斯生物科技公司，将大数据和AI技术用于生物合成，背靠院校科研资源，快速研发和落地了高附加值产品管线。团队还提出了EF-UniKP框架，并与企业合作推动技术转化，体现了产研融合对产业发展的重要性。
Q&A
ProEnsemble机器学习框架的主要功能是什么？
ProEnsemble机器学习框架用于优化启动子组合，提高柚皮素的产量。
研究中如何解决基因上位效应的问题？
研究通过优化启动子组合和设计通路瓶颈解除策略来缓解基因上位效应的影响。
柚皮素的合成过程包括哪些阶段？
合成过程包括低水平表达基因、筛选候选突变体和通过人工智能优化启动子组合。
中国合成生物产业目前面临哪些挑战？
中国合成生物产业仍处于初级阶段，需要加强核心技术研发以缩小与发达国家的差距。
机器学习在代谢途径优化中有什么优势？
机器学习提供了自动化学习、灵活性和强大的数据处理能力，为代谢途径优化带来了新的思路。
研究人员如何提高柚皮素的产量？
通过优化启动子组合和筛选高产突变体，研究人员成功提高了柚皮素的产量。
