合成生物学、机器学习与自动化三者交叉领域的机遇

如果不使用自动化，我们无法产生足够数量和质量的数据来进行有效的机器学习。我们在生物学中面临的情况类似于使用邮寄的纸质图片：大多数检测是低通量和手工的，大多数表型数据是在同一个实验室中产生和分析的。虽然情况正在开始改变，但变化的速度还不足以支持机器学习方法（基因组学领域除外）。更糟糕的是，历史数据并不总是满足机器学习有效的要求（例如缺乏标准化的数据收集），因此在收集新数据时必须考虑到这些需求。蛋白质结构预测领域的 CASP 竞赛提供了一个很好的例子，展现了如何促进社区为此共同努力。

大规模的高质量数据是必要的，但不是充分的：适当的实验设计是利用机器学习的基础。这个领域的机会是双向的：为了训练机器学习算法而生成高质量数据，需要仔细考虑影响反应的不同效应的实验设计；而机器学习可以用来选择下一组实验，以提高实验数据质量并减少估计误差。在这一领域，“机器人科学家”（化学实验规划者）已在合成化学领域取得成功，并有望在合成生物学领域发挥重要作用。

因此，我们需要投资于将机器学习算法与高通量、快速周转、自动化表型分析方法相结合的能力，以解决其解决方案具有广泛适用性的生物问题（图1）。可能的方法包括机器人液体处理平台、微流体或云实验室。未来的挑战包括实时获取数据、开发全面的无创检测、减少人工操作以及制定确保可复现性的工作流程和数据标准。

所以合成生物学、机器学习和自动化的集成成为了一个重要的机遇，它将实现生物学和计算机科学的颠覆性变革。这种整合不仅可以应用于生物材料、生物燃料和生物医学等合成生物学应用的生产，还可以帮助我们更好地理解生物学的机制。与其他可以有效利用机器学习的领域（如图像识别）不同，对于目前的许多合成生物学应用，我们对其底层过程有了相当多的了解（尽管并不完全）。将机器学习模型的预测能力与前沿合成生物学工具提供的轻松修改系统组件的可能性相结合，将使我们能够探索和扩大对生物机制的理解。我们希望这种改进的理解能够帮助我们产生新型的机器学习算法：毕竟，机器学习的主要内容，如遗传算法和人工神经网络都是受到生物类比的启发。为了成功实现这种整合，需要生物学家、数学家、工程师、化学家、物理学家和计算机科学家之间的紧密多学科合作。