最后,在上述每个阶段收集的结果使用部署的机器学习 (ML) 算法进行处理,以决定后续的 DBTLc 轮次。该策略(以及最近的ML工具)辅以每个DBTL模块中的新颖合成生物学方法,正在支持从人工练习向完全标准化的迭代工作流程的过渡。 为合成生物和代谢工程的自动化铺平道路 大多数实验室工作都是人工完成的,很少采用自动化策略。
在这个结构中,作者提出了 DBTL 循环的升级版本,其中“以代谢为中心” 的观点——而不是更传统的以基因组为中心的方法——有助于揭示生物技术相关微生物的表型复杂性。 在这里,作者将生物铸造厂作为一个自动化平台来扩展对非传统微生物的知识——以及如何利用这些信息来定制强大的细胞工厂。作者还概述了快速构建主流...