在生物技術(shù)的廣闊領(lǐng)域中，無細胞表達系統(tǒng)正逐漸嶄露頭角，成為推動技術(shù)創(chuàng)新的重要平臺。它不受限于活細胞環(huán)境的復雜性，能夠?qū)崿F(xiàn)高效、可控的生物化學反應(yīng)，從而極大地促進了新藥物、新材料的研發(fā)進程。

今天小編和大家分享一篇發(fā)表于Life-basel上的一篇名為“Biotechnology Applications of Cell-Free Expression Systems"的文獻。該篇文獻綜述了無細胞表達系統(tǒng)（CFES）在生物技術(shù)中的廣泛應(yīng)用，并且特別關(guān)注了無細胞蛋白合成（CFPS）的新興應(yīng)用。此外，本文還探討了機器學習在優(yōu)化CFPS中的應(yīng)用。

傳統(tǒng)上，體內(nèi)表達平臺被用來合成新的與工業(yè)相關(guān)的蛋白質(zhì)，并作為基因回路和生物傳感器等許多生物技術(shù)原型的測試臺，但它們受到生長周期的時間限制、穩(wěn)態(tài)考慮因素和生產(chǎn)適應(yīng)性有限的阻礙。相反，無細胞平臺不受支持生命的約束的阻礙，相比傳統(tǒng)的體內(nèi)系統(tǒng)，無細胞平臺不受生命維持條件限制，展現(xiàn)出更高的適應(yīng)性和靈活性，適用于多種生產(chǎn)和檢測場景，因此高度適應(yīng)廣泛的生產(chǎn)和測試計劃。未來十年，無細胞技術(shù)應(yīng)用預計將迎來爆發(fā)式增長，特別是在無細胞蛋白合成方面，將深入探索其在代謝工程、原型設(shè)計及生物制造中的應(yīng)用，并結(jié)合機器學習以優(yōu)化這些過程。簡言之，無細胞系統(tǒng)正革新生物技術(shù)領(lǐng)域，成為解決現(xiàn)有技術(shù)局限性的有力工具。

代謝工程是操縱細胞的遺傳和分子過程，以獲得對生物功能的洞察力和控制，如酶通路、信號轉(zhuǎn)導和基因表達。自該領(lǐng)域成立以來，一直是利用無細胞系統(tǒng)來進行研究。通過無細胞系統(tǒng)，研究者可以快速原型化新的代謝途徑，評估不同代謝酶的性能，優(yōu)化代謝途徑。CFME在無需活細胞支持的情況下，可以方便地調(diào)整代謝條件，模擬不同的環(huán)境條件，為代謝工程研究提供強有力的支持。最近，無細胞系統(tǒng)代謝工程的新進展促進了裂解物的進一步優(yōu)化和對酶通路的更大控制。西北大學的Jewett實驗室已經(jīng)證明了酶在裂解之前的過度表達，以及隨后在單個裂解物中過度表達的酶的混合。開放式操作允許在基于裂解液的無細胞系統(tǒng)中進行更大程度的定制，允許更廣泛的表達范圍，并能夠通過CFPS控制整個通路。此外，無細胞系統(tǒng)表現(xiàn)出的擴大生產(chǎn)規(guī)模、控制反應(yīng)因子和通過代謝調(diào)控產(chǎn)生各種目標蛋白的能力，表明CFPS和CFME比細胞系統(tǒng)更具有優(yōu)勢。

原型設(shè)計是一個實驗過程，其中測試了一個新的想法、工具或系統(tǒng)。在為大規(guī)模生產(chǎn)等工業(yè)應(yīng)用優(yōu)化生物和生化系統(tǒng)之前，這些系統(tǒng)必須首先在原型階段得到驗證。無細胞表達技術(shù)為生物技術(shù)原型制作提供了一個理想的平臺，可以快速合成和測試基因電路、生物傳感器等復雜生物系統(tǒng)，評估其性能，加快研發(fā)速度。其在原型空間中具有重要優(yōu)勢，比如：

生物制造是通過生物、生化和化學合成平臺生產(chǎn)具有商業(yè)價值的化學品和材料的過程。生物制造行業(yè)價值的預計增長是向無細胞生產(chǎn)平臺過渡。與目前用于生物制造的基于細胞的系統(tǒng)相比，無細胞平臺具有許多優(yōu)勢，比如不受生物體內(nèi)穩(wěn)態(tài)的限制、可操作性更強、生產(chǎn)周期短、效率高等。這些優(yōu)勢表明，無細胞生物制造平臺代表了向生產(chǎn)藥品、食品和其他工業(yè)相關(guān)生物分子的更高效和更具成本效益的方向進步。

• 生產(chǎn)單克隆抗體：無細胞平臺能夠快速、高效地生產(chǎn)單克隆抗體，克服傳統(tǒng)細胞培養(yǎng)方法的局限，如周期長、資源消耗大等問題。

• 生產(chǎn)抗菌肽和疫苗：無細胞平臺可以有效生產(chǎn)抗菌肽和疫苗等生物活性物質(zhì)。

• 小分子和膜蛋白：無細胞平臺可以表達難表達的蛋白包括小分子藥物和膜蛋白。

• 按需生產(chǎn)：無細胞平臺非常適合小批量和定制化的生物分子生產(chǎn)，能夠滿足特殊用途和個體化醫(yī)療的需求。

  
  

無細胞平臺能夠模擬自然條件下的生物合成過程，高效生產(chǎn)天然食品成分，如營養(yǎng)素、功能性食品原料等，滿足市場對健康食品的需求。其優(yōu)點允許生產(chǎn)比基于細胞的系統(tǒng)更大的潛在成分，包括益生菌、益生元、蛋白質(zhì)、氨基酸、膳食纖維和維生素，并將降低生產(chǎn)這些成分或從天然來源中提取它們的成本和時間。

除了制藥和食品行業(yè)，化妝品和工業(yè)生物分子生產(chǎn)等其他行業(yè)也可以從無細胞系統(tǒng)中受益。膠原蛋白及其衍生物在CFPS實驗中得到了很好的記錄，無細胞平臺可以優(yōu)化生產(chǎn)用于化妝品應(yīng)用的膠原蛋白。

機器學習（ML）是一種人工智能，它使用數(shù)據(jù)分析來改進各種不同應(yīng)用程序的建模方法。較常用的機器學習方法包括人工神經(jīng)網(wǎng)絡(luò)、集合學習、多變量統(tǒng)計分析和高斯過程。由機器學習算法優(yōu)化的CFPS系統(tǒng)的第一個例子是與高通量實驗耦合的機器人工作站。這種方法對應(yīng)于實驗的進化設(shè)計（Evo-DOE），是基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的機器學習算法，該算法預測下一輪實驗以改善適應(yīng)性功能。另外，機器學習算法結(jié)合自動化工作站和高通量實驗，可以預測下一輪實驗的方向，從而提升蛋白質(zhì)產(chǎn)量并改進系統(tǒng)的其他輸出。通過機器學習算法優(yōu)化能量緩沖液中的組分濃度，可以顯著提高熒光報告蛋白的產(chǎn)量，并降低無細胞反應(yīng)的成本。此外，它還能夠在短時間內(nèi)探索龐大的實驗空間，并實現(xiàn)系統(tǒng)的顯著優(yōu)化?？傊瑹o細胞表達系統(tǒng)正在走向工作流程標準化和自動化，通過基于機器學習算法，從而支持高效的系統(tǒng)設(shè)計。

圖2：涉及機器學習的設(shè)計-構(gòu)建-測試-學習周期

無細胞系統(tǒng)的高效、靈活與低成本特點使其在生物系統(tǒng)工程中的地位日益突出。通過這一系統(tǒng)，研究人員能深入洞察和控制生物分子過程，實時觀察并調(diào)整反應(yīng)參數(shù)，實現(xiàn)高效的生物傳感和制造。同時，結(jié)合機器學習技術(shù)，無細胞系統(tǒng)的蛋白質(zhì)產(chǎn)量和原型設(shè)計效率得以顯著提升。展望未來，無細胞表達系統(tǒng)在醫(yī)藥、生物制造等產(chǎn)業(yè)領(lǐng)域的應(yīng)用前景廣闊，有望成為生物技術(shù)發(fā)展的關(guān)鍵方向。

參考文獻：

Brookwell, A., Oza, J. P., & Caschera, F. (2021). Biotechnology Applications of Cell-Free Expression Systems. Life (Basel, Switzerland), 11(12), 1367.