无细胞生物传感器的积极学习导向优化,用于饮用水中的测试
Brenda M Wang1,2, Nicole Chiang3,2, Holly M Ekas4,5,6
1Department of Bioengineering, Stanford University, Stanford, CA 94305, USA.
bioRxiv : the preprint server for biology
|September 2, 2025
概括
我们开发了一种以机器学习为指导的方法, 这加快了对环境监测的敏感和选择性合成生物学工具的创建.
科学领域:
- 合成生物学
- 生物传感器工程
- 环境监测
背景情况:
- 体转录因子 (aTF) 对使用点诊断具有前景.
- 自然的TF通常缺乏实际应用所需的灵敏度和选择性.
- 传统的定向进化方法与生物传感器的多目标优化作斗争.
研究的目的:
- 开发基于机器学习 (ML) 的多目标无细胞基因表达工作流程,用于设计基于aTF的生物传感器.
- 提高aTF生物传感器对特定环境污染物的敏感性和选择性.
- 加快生物技术合成生物学工具的开发.
主要方法:
- 开发了一种多目标,ML引导的无细胞基因表达工作流程.
- 生成了高质量的序列到函数数据,并用于训练带有方向标签的ML模型.
- 该工作流程用于设计aTF PbrR用于检测.
主要成果:
- 工程PbrR在美国环境保护局 (EPA) 行动级别上获得了敏感性.
- 选择性被修改为减少的干扰.
- 通过冷干燥的无细胞反应,工程PbrR检测到饮用水中的含量降至5.7ppb.
结论:
- 基于机器学习的多目标框架加速了aTF生物传感器的设计.
- 这种方法可以开发用于环境监测的敏感和选择性使用点诊断.
- 该框架可用于其他生物传感器和蛋白质,推进合成生物学应用.
更多相关视频
08:00Screening for Endocrine Activity in Water Using Commercially-available In Vitro Transactivation Bioassays
Published on: December 4, 2016
7.6K
13:42Dry Film Photoresist-based Electrochemical Microfluidic Biosensor Platform: Device Fabrication, On-chip Assay Preparation, and System Operation
Published on: September 19, 2017
11.9K
