编辑推荐：
本研究针对细胞无裂解基因表达（CFE）系统成本高、优化难的问题，开发了基于微流控和机器学习的DropAI策略，实现了CFE系统的高效优化，为生物技术和合成生物学应用提供了新思路。
细胞无裂解基因表达（Cell-free Gene Expression, CFE）系统作为一种强大的生物技术平台，近年来在生物合成、基因回路原型设计、临床治疗等多个领域得到了广泛应用。然而，传统的CFE系统存在成本高昂、优化复杂等问题，限制了其进一步的推广和应用。为了解决这些问题，上海科技大学的研究人员开发了一种名为DropAI的新型策略，通过结合微流控技术和机器学习算法，实现了对CFE系统的高效优化，显著降低了成本并提高了产量，为合成生物学和生物技术领域带来了新的突破。
研究背景
细胞无裂解基因表达系统是一种在体外利用粗细胞提取物进行转录和翻译的技术，与传统的体内基因表达相比，它具有更高的灵活性和可持续性，能够直接操纵分子环境，添加非天然底物、纯化蛋白或重组DNA模板等。此外，CFE系统还可以加速生物技术应用中的设计-构建-测试周期，减少克隆步骤的时间。然而，现有的CFE系统存在诸多挑战，如配方复杂、成本高昂且难以平衡成本和产量。例如，一个典型的细菌提取物基CFE系统需要额外添加约40种成分才能保持合理的生物催化效率，而这些成分中许多可以被优化或最小化。因此，开发一种高效、经济的CFE系统优化方法具有重要意义。
研究方法
DropAI策略的核心是利用微流控技术生成皮升体积的反应器，并通过荧光颜色编码系统对大量化学组合进行标记和筛选。具体来说，研究人员开发了一种微流控装置，能够将载液滴与四个卫星液滴合并，形成完整的筛选单元。载液滴中含有CFE混合物，而每个卫星液滴则随机采样一组独特的CFE成分，这些成分通过不同的荧光颜色和强度进行标记。通过多通道液滴成像技术，研究人员可以并行读取每个液滴的荧光编码（FluoreCode），从而确定其中的组合。此外，实验结果被用来训练机器学习模型，以估计各成分的贡献并预测高产量组合。
研究结果
研究人员首先将DropAI应用于基于大肠杆菌（Escherichia coli）的CFE系统优化。通过在液滴中进行筛选，他们对12种添加剂进行了组合筛选，这些添加剂涵盖了CFE的转录、翻译和ATP再生阶段。基于实验数据，研究人员建立了一个机器学习模型，预测每种添加剂对CFE产量的贡献。根据这些预测，研究人员仅选择了三种关键添加剂，并优化了它们的浓度。最终，优化后的CFE配方在表达超折叠绿色荧光蛋白（superfolder green fluorescent protein, sfGFP）时，单位成本降低了2.1倍，产量提高了1.9倍。此外，研究人员还将优化后的配方应用于12种不同蛋白质的表达，其中10种蛋白质的产量保持或增加。更重要的是，研究人员通过迁移学习将建立的大肠杆菌模型成功应用于枯草芽孢杆菌（Bacillus subtilis）基CFE系统，仅通过少量实验数据（如27和36种组合）就实现了高预测精度，预测的高产量配方在体外表达sfGFP时产量翻倍。
研究结论与讨论
DropAI作为一种高通量、可扩展的解决方案，为组合筛选和优化生物化学系统提供了新的思路。通过微流控技术和机器学习的结合，研究人员不仅简化了CFE系统的配方，降低了成本，还提高了产量，展示了其在不同底盘生物间的迁移能力。此外，DropAI平台的可扩展性意味着其在其他领域，如药物组合筛选、酶级联反应优化和催化剂发现等方面也具有潜在应用价值。尽管DropAI目前需要荧光输出来进行筛选，但其高效性和多功能性使其成为推动合成生物学及相关领域发展的有力工具。
