本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
生物系統包含複雜的代謝途徑，具有許多非線性和協同作用，這使得它們很難根據第一原理進行預測。蛋白質合成是這種途徑的典型例子。在這裡，我們展示瞭如何透過一系列迭代的高通量實驗來改進無細胞蛋白質合成，這些實驗由機器學習演算法引導，實現了一種實驗進化設計（Evo-DoE）形式。該演算法根據先前實驗結果的統計模型，結合實驗空間的隨機探索，預測富有成效的實驗。所需的實驗反應或演化適應性被定義為目標產品的產量，並且發現新的實驗條件的產量比標準高出 350%。對發現的最佳實驗條件的分析表明，存在兩種不同的動力學類別，從而表明我們的實驗進化設計如何能夠進行重大創新以及逐步改進。