AI+BioLector+Biomek：加速培养基优化新路径
在合成生物学工艺开发中，培养基优化作为影响产物滴度（Titer）、生产速率（Rate）和得率（Yield）的重要条件，其优化效率至关重要。近期发表于Communications Biology的研究，开发了一种基于AI机器学习算法（Automated Recommendation Tool, ART），结合BioLector高通量培养与Biomek自动化培养基组分制备及产物检测的方法，成功优化了恶臭假单胞菌（Pseudomonas putida KT2440）生产黄菊素（Flaviolin）的培养基。
构建半自动化机器学习平台
（BioLector+AI）
研究团队开发了一个产物普适性的半自动化平台，将高通量实验自动化（BioLector+Biomek）与机器学习驱动的ART算法紧密结合，形成快速的设计-构建-测试-学习（DBTL）循环。
使用基于集成模型的机器学习算法ART工具（Automated Recommendation Tool, ART）。
-
初始阶段（DBTL 1-2）：生成覆盖广泛的培养基配方（初始设计包含12-13个可变组分）。
-
后续阶段（DBTL 3+）：ART基于已收集的所有历史数据（培养基组分浓度作为输入，黄菊素产量作为响应）训练预测模型。模型用于生成下一轮实验的推荐方案：
核心设备：Biomek液体处理工作站
-
过程：根据ART推荐的培养基设计，工作站自动混合15种培养基组分的储备液，精确配制指定浓度的培养基。
核心设备：BioLector高通量微型生物反应器平台
-
过程：配制好的培养基被分装至48孔梅花微孔板（BioLector专用“flower plate”）的孔中。液体工作站自动接种工程化P. putida菌株。该步骤实现了培养基制备和接种的高度自动化，减少了人为误差。
核心设备：BioLector+Biomek
-
过程：接种后的微孔板在BioLector中进行高通量严格控制气体环境和培养条件的实时监测。
-
培养参数：48小时、30°C、800 rpm、80%相对湿度。
-
检测：培养结束后，Biomek工作站整合系统自动处理样品。使用酶标仪和HPLC测量黄菊素产量。
-
数据管理：所有培养基设计信息和黄菊素产量（指标值及HPLC值）上传至实验数据仓库（Experiment Data Depot, EDD）。
ART从EDD获取最新的实验数据。利用所有累积数据重新训练和更新其预测模型。学习步骤为下一个DBTL周期的设计步骤提供更准确的预测基础。
主要研究结果与发现：
成功实现了快速DBTL循环（~3天/循环，含48小时培养）。自动化显著提高了实验重现性，人工操作时间大大减少（约4小时/循环）。发现了NaCl浓度是重要影响因子，高浓度的NaCl（而非低浓度）对提高产量有强烈的正向影响。
本研究成功构建并应用了一个结合BioLector+Biomek自动化高通量培养平台与机器学习（ART）算法的半自动化DBTL工作流。该平台在优化P. putida生产黄菊素的培养基方面展现出卓越的效率、重现性和强大的优化能力，显著提升了产物滴度和得率（最高达350%）。能够有效解决合成生物学中缺乏预测能力的瓶颈问题，显著加速生物工程研究进程。
参考文献
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). https://doi.org/10.1038/s42003-025-08039-2
