首页分享让钱花在刀刃上，是AI+合成生物的重要价值

让钱花在刀刃上，是AI+合成生物的重要价值

来源：花匠小妙招时间：2024-12-18 01:45

我们之前讨论过

文中提到合成生物公司的商业化困境，很大程度上源于企业把钱浪费在了从监管或商业角度来看，永远行不通的产品上。

合成生物学技术的开发成本高昂，而且上市周期比当今快节奏的资本市场愿意等待的时间要长得多，所以容错率很低。

为了解决这个问题，一些企业试图借助人工智能平台，来减少开发产品的时间和成本，并帮助从监管和商业角度进行决策，帮助企业确定什么有效，什么无效。

专注于早期验证的AI平台

例如在生物农药领域，一家叫Enko Chem的平台型公司就搭建了一个名为 ENKOMPASS 的AI平台。

使用该平台可以快速地查看整个通路，并确定可以被药物激活并表征的靶标，这一技术在AI制药领域已经有所应用。

该公司可以在不到四个月内完成这一验证工作，并为企业提供一个工具化合物，用于验证其他商业级别的分子。

与药物分子发现的逻辑类似，企业不应该把所有的鸡蛋都放在一个篮子里，由AI筛选并提供可供测试的选项，本质是在增加最终商业化成功的可能性。

效率的提升，还使研发人员能够从一开始就真正专注于安全性和可持续性。

因为该企业的AI平台主要针对于杀虫剂，所以还具备一些对监管环境的应对措施。

但总而言之，这套AI平台的最终目的在于：让钱花在刀刃上。

减少时间和成本，在需要快速验证可行性的早期阶段就发现那些不可行的方案，不再把很多钱花在从监管或商业角度来看永远不会奏效的事情上。

不及预期背后的原因

客观来说，相较于生物医药，AI技术在合成生物领域的应用显得略微滞后。

原因其一是AI的效果往往高度依赖于高质量的数据。

而合成生物领域与拥有海量临床数据的生物医药相比，数据可能存在噪声、缺失或偏差，限制了模型的训练效果。

此外，不同实验室和研究之间的数据标准化程度不够，也造成数据整合的困难。

另一方面，生物系统高度复杂且具有非线性特征，很多生物过程和机制尚未完全理解，这种复杂性使得准确建模和预测变得困难，限制了AI 模型的有效性。

以及学术界与产业界的脱节，也让研究成果从实验室到实际应用之间的转化面临挑战。

不过转变也正在发生， AI在优化CRISPR技术中应用已经非常成熟，显著提高了基因编辑的精确性和效率。

尤其是在今年获了诺奖的AI蛋白质预测方向，分子之心、天鹜科技、智峪生科等企业都在此布局。

上文提到的生物农药和分子育种领域中，许多公司也开始使用AI来设计和创造具有特定性状的植物或农药，先正达和拜耳都做了不少相关工作。

在更广阔的世界里，AI 可以帮助设计复杂的生物回路，例如合成生物传感器和调节器，以便在特定条件下响应环境变化。

AI 还被广泛应用于分析合成生物学实验中的大数据，帮助研究人员从中提取有用的见解，优化实验设计过程。

—The End—