机构名称：
¥ 1.0
设计具有精确输入-输出行为的合成调节电路（合成生物学的一个核心目标）仍然受到细胞固有分子复杂性的阻碍。遗传部件和宿主细胞机制之间的非线性、高维相互作用使得使用第一性原理生物物理模型设计电路变得困难。我们认为，采用将现代机器学习 (ML) 工具和高通量实验方法整合到合成生物学设计/构建/测试/学习过程中的数据驱动方法可以大大加快电路设计的速度和范围，产生快速、系统地辨别设计原理并实现定量精确行为的工作流程。目前，ML 在电路设计中的应用发生在三个不同的层面：1) 学习部件序列和功能之间的关系；2) 确定部件组成如何决定电路行为；3) 了解功能如何随基因组/宿主细胞环境而变化。这项工作指向未来，ML 驱动的遗传设计将用于为跨不同生物技术领域的复杂问题编写稳健的解决方案。
利用机器学习来增强和加速合成生物学
主要关键词
相关文件推荐
