关闭循环:建立一个自主测试学习循环以优化使用机器人平台诱导细菌系统

科学领域:

• 合成生物学 合成生物学
• 生物研究中的自动化.
• 计算生物学是一种计算生物学.

背景情况:

• 合成生物学旨在为遗传组件创建可预测的生物部分.
• 自动化机器人平台加速数据收集,但分析仍然是手动的,阻碍了设计-构建-测试-学习 (DBTL) 循环.
• 目前的DBTL循环缺乏完全的自动化,需要人工干预来改进工作流程.

研究的目的:

• 为机器人平台开发软件框架,以自主调整实验测试参数.
• 为了将静态的机器人平台转化为用于闭环优化的动态系统.
• 在合成生物学中实现完全自动化的设计-构建-测试-学习循环.

主要方法:

• 开发了一个软件框架,其中包括用于数据导入和数据库编写的组件.
• 实现了一个优化器,平衡勘探和开发,以选择下一个测量点.
• 使用机器人平台优化诱导剂度在* Bacillus subtilis* 和诱导剂/料释放在* Escherichia coli*.

主要成果:

• 机器人平台自主优化了Bacillus subtilis和Escherichia coli系统的实验参数.
• 绿色光蛋白 (GFP) 的生产在多次代中得到了优化.
• 在自动化DBTL循环中对单元和双元优化进行评估的学习算法.

结论:

• 开发的软件框架可以在机器人平台上动态,自主优化生物实验.
• 这项工作使合成生物学更接近完全自动化的循环DBTL循环.
• 分享了从开发和执行自动化DBTL循环中学到的经验教训.