2023年31篇（共381篇）原創(chuàng)文章
在合成生物領域，學者們經常把構想的細胞工廠與現在的汽車工廠做類比。自動駕駛實驗室（SDL，Self-driving
labs），也是基于這種類比之上的思路。
SDL指的是：自動化機器人平臺、數據收集與AI相結合，通過人工智能處理實驗數據，以決定下一組實驗的執(zhí)行方案。美國勞倫斯伯克利國家實驗室Hector G Martin等人，發(fā)表在期刊Current Opinion in Biotechnology上的研究論文Perspectives for self-driving labs in synthetic biology，討論了為合成生物學創(chuàng)建SDL的優(yōu)勢和挑戰(zhàn)。優(yōu)勢顯而易見：自動化平臺的成熟和機器學習（ML）方法的可用性，能夠創(chuàng)建多個SDL（或幾乎完全自動化的流程）。更具有想象力的是：SDL具備自動構建科學知識的能力。SDL從先前的知識（定律、理論和實驗數據）和外部資源中汲取經驗，并對未來的實驗進行改進。盡管像GTP-3這樣的大規(guī)模語言模型可以執(zhí)行模式匹配，但依然需要科研人員做大量工作，才能把經典符號推理系統(tǒng)與深度學習方法結合起來。自動化技術、人工智能算法、數據管理的局限性等，都阻礙了理論邁向實踐的步伐。化學和材料科學SDL中的自動化過程，只是合成生物學所需過程的一個子集。典型的分子生物學過程，例如通過電穿孔、集落拾取、電鍍和生長的細胞轉化。
雖然可以通過液體處理器和其他儀器實現，但很難以SDL要求的無縫方式連接在一起。
為了使SDL在合成生物學中成為現實，需要進行長期投資，才可能實現合成生物學全過程的無縫運行和自動化。
其次，只有利用和產生可推斷知識的能力，才能從大量的SDL中獲得效益。這里需要新的AI算法。
更重要的是，數據管理是自動化和人工智能算法之間的一個關鍵環(huán)節(jié)。
沒有數據就沒有人工智能，沒有人工智能就沒有SDL。
最后，突破SDL障礙的能力，來自于 “人工”的智能。
我們需要讓計算機科學家、自動化工程師與分子和合成生物學家，打破技術和認知的藩籬，優(yōu)勢互補、精誠合作。
坦白講，讓這一群各行業(yè)中的技術天才一起工作，不僅要接受其他人的工作也非常有價值，自己的工作如果沒有其他人的配合就無法顯現出價值——
科學家們突破學科邊界地合作，是一個社會學問題，恐怕比SDL在生物學中面臨的技術問題，更有挑戰(zhàn)。
本站僅提供存儲服務，所有內容均由用戶發(fā)布，如發(fā)現有害或侵權內容，請
點擊舉報。
