AI驅動自動化培養基優化：BioLector整合Biomek加速生物工藝開發
在合成生物學工藝開發中，培養基優化作為影響產物滴度（Titer）、生產速率（Rate）和得率（Yield）的重要條件，其優化效率至關重要。近期發表于Communications Biology的研究，開發了一種基于AI機器學習算法（Automated Recommendation Tool，ART），結合BioLector高通量培養與Biomek自動化培養基組分制備及產物檢測的方法，成功優化了惡臭假單胞菌（Pseudomonas putida KT2440）生產Flaviolin的培養基，并發現鹽（NaCl）是提升生產性能的關鍵因子。
研究團隊開發了一個產物普適性的半自動化平臺，將高通量實驗自動化（BioLector+Biomek）與機器學習驅動的ART算法緊密結合，形成快速的設計-構建-測試-學習（DBTL）循環。
設計（Design-AI）
使用基于集成模型的機器學習算法ART工具（Automated Recommendation Tool, ART）。
初始階段（DBTL 1-2）：生成覆蓋廣泛的培養基配方（初始設計包含12-13個可變組分）。
后續階段（DBTL 3+）：ART基于已收集的所有歷史數據（培養基組分濃度作為輸入，菊素產量作為響應）訓練預測模型。模型用于生成下一輪實驗的推薦方案：
構建（Build-Automation）
核心設備：Biomek液體處理工作站。
過程：根據ART推薦的培養基設計，工作站自動混合15種培養基組分的儲備液，精確配制指定濃度的培養基。
核心設備：BioLector高通量微型生物反應器平臺。
過程：配制好的培養基被分裝至48孔梅花微孔板（BioLector專用“flower plate"）的孔中。液體工作站自動接種工程化P. putida菌株。該步驟實現了培養基制備和接種的高度自動化，減少了人為誤差。
測試（Test-BioLector+Biomek+Analytics）
核心設備：BioLector+Biomek。
過程：接種后的微孔板在BioLector中進行高通量嚴格控制氣體環境和培養條件的實時監測培養參數（48小時，30°C，800 rpm，80%相對濕度）。
檢測：培養結束后：Biomek工作站整合系統自動處理樣品。
數據管理：所有培養基設計信息和H菊素產量（指標值及HPLC值）上傳至實驗數據倉庫（Experiment Data Depot，EDD）。
學習（Learn-AI）
ART從EDD獲取最新的實驗數據。利用所有累積數據重新訓練和更新其預測模型。學習步驟為下一個DBTL周期的設計步驟提供更準確的預測基礎。
成功實現了快速DBTL循環（~3天/循環，含48小時培養）。自動化顯著提高了實驗重現性，人工操作時間大大減少（約4小時/循環）。發現了NaCl濃度是重要影響因子，高濃度的NaCl（而非低濃度）對提高產量有強烈的正向影響。
本研究成功構建并應用了一個結合BioLector +Biomek自動化高通量培養平臺與機器學習（ART）算法的半自動化DBTL工作流。能夠有效解決合成生物學中缺乏預測能力的瓶頸問題，顯著加速生物工程研究進程。
參考文獻：
Zournas, A., Incha, M.R., Radivojevic, T. et al. Machine learning-led semi-automated medium optimization reveals salt as key for flaviolin production in Pseudomonas putida. Commun Biol 8, 630 (2025). doi.org/10.1038/s42003-025-08039-2
點擊至
小貝智選商城
點擊至
中文
掃碼關注
視頻號
掃碼關注
丹納赫生命科學
掃碼至
小貝學習中心
* 版權聲明：未經授權，不得對原有的文字圖片等內容進行變動、重新編排或者增加新的內容，貝克曼庫爾特生命科學保留在不告知前提下隨時更新版本的權利。
