无细胞生物传感器的积极学习引导优化,用于测试饮用水中的
Brenda M Wang1, Nicole Chiang2, Holly M Ekas3,4,5
1Department of Bioengineering, Stanford University, Stanford, CA, USA.
Nature communications
|December 20, 2025
概括
我们开发了一种机器学习 (ML) 引导的工作流程,用于设计转录因子 (aTF) 生物传感器,用于检测水中的污染. 这种方法提高了精确环境监测的灵敏度和选择性.
科学领域:
- 合成生物学 合成生物学
- 生物传感器工程学
- 环境监测 环境监测
背景情况:
- 所有的转录因子 (aTFs) 对使用点诊断具有前景,但自然的aTFs缺乏灵敏性和选择性.
- 传统方法难以同时优化多个生物传感器属性.
研究的目的:
- 开发一个多目标,机器学习 (ML) 引导的无细胞基因表达工作流程,用于设计基于aTF的生物传感器.
- 为 aTF PbrR 设计用于敏感和选择性检测水中的污染.
主要方法:
- 开发了一种由ML指导的无细胞基因表达工作流程,用于工程 aTFs.
- 生成了序列到函数数据,并使用方向标签训练了一个ML模型.
- 应用工作流程来设计PbrR aTF用于检测,优化灵敏度和选择性.
- 在冷干燥的无细胞反应中测试了工程PbrR.
主要成果:
- 设计PbrR以检测美国环保署行动级别的.
- 提高选择性以减少来自的干扰.
- 使用冷干燥生物传感器,在饮用水中达到~5.7ppb的检测.
- 证明了ML框架对其他生物传感器的通用性.
结论:
- 基于机器学习的多目标框架加速了合成生物学工具的开发.
- 这种方法可以为环境和健康应用提供可靠的使用点诊断.
- 工程设计的aTF生物传感器显示了在水质监测中实际应用的潜力.
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
7.9K
13:42Dry Film Photoresist-based Electrochemical Microfluidic Biosensor Platform: Device Fabrication, On-chip Assay Preparation, and System Operation
Published on: September 19, 2017
12.4K
