人工智能驱动数据变革：加速遗传电路设计迈向精准工程化

遗传电路的设计正经历一场深刻的变革，从传统的“试错法”转向由计算和预测模型驱动的新模式，这标志着生物技术正逐步演变为一门严谨的工程学科。所谓遗传电路，是指能够按照预设逻辑规则调节基因活性的结构化DNA序列，它赋予了科学家对细胞进行编程以执行特定指令的能力。这些电路可以充当开关、振荡器或记忆系统，通过组织遗传信息来实现对细胞行为的可预测控制。其应用前景极为广阔，涵盖了从调节免疫反应到在生物体内受控合成高价值分子等多个领域，为开发更复杂的细胞治疗策略奠定了基础。

2026年1月，《自然》（Nature）杂志报道了一项关键突破：莱斯大学（Rice University）的研究人员开发出了名为CLASSIC（结合长短程测序研究遗传复杂性）的创新技术。该技术实现了在单一分析阶段同时构建并测试数十万甚至数百万种不同的遗传电路设计方案。为了高通量地监测人类培养细胞中电路的活性，研究团队将每种电路方案与荧光蛋白的表达挂钩。通过测量荧光亮度，研究人员能够评估每个变体的性能，而随后对相关条形码的测序则生成了一张详尽的图谱，将特定的DNA序列与观察到的细胞表型精准关联。莱斯大学合成生物学研究所的卡莱布·巴肖尔（Caleb Bashor）教授指出，这种方法能够将序列与行为进行映射，从而在“大海捞针”般的海量数据中精准定位目标。

实验产生的大规模映射数据为训练机器学习和人工智能模型提供了必不可少的基石。这些AI模型展现出了卓越的能力，能够识别哪些DNA序列特征对应特定的功能表现，其预测准确性远超仅基于物理原理的传统模型。在人类细胞复杂的生物环境中，这种计算方法已成为核心支柱。与保罗·罗特蒙德（Paul Rothemund）在2006年提出的“DNA折纸术”等传统方法不同——后者往往需要针对每个新结构进行耗时且昂贵的从零计算——人工智能方法能够绕过这些限制。其最终成果是开发出一种预测性工具，能够根据预设的理想特性提前推荐新的电路序列。

自2026年起，这种由人工智能驱动的系统化方法在人类细胞系统中的成功应用，为更快速、更合理地设计先进细胞疗法开辟了道路，使遗传工程从常规实验范式转向了基于数据的工程化领域。在相关领域，Basecamp Research公司推出了EDEN模型，该模型通过进化数据进行训练，旨在设计能够编程插入大片段DNA的分子工具。目前，该技术已成功助力开发出在实验室环境下能消灭90%以上癌细胞的CAR-T细胞。由此可见，向人工智能支撑的工程化设计转型，已成为生物技术研究的主导趋势，致力于构建复杂的细胞系统和创新的治疗方案。