合成生物学是一门将工程思维融入生命系统的迷人学科,它让科学家像设计电路一样重新编写和构建生物体。从设计能生产药物的微生物到创造可降解塑料的细菌,这一领域正在以前所未有的速度改变我们对生命的理解与应用方式。

在 Gist.Science 上,我们密切关注 bioRxiv 发布的每一篇相关预印本。我们的团队会对这些最新研究进行深度处理,提供既通俗易懂又保留关键细节的技术解读,帮助读者跨越专业术语的障碍,快速把握前沿动态。

以下为您精选了合成生物学领域最新发布的研究论文,它们代表了该方向上最激动人心的探索与发现。

📄 synthetic biology

An expedient, biology-laboratory-compatible method for preparing functional perfluoropolyether fluorosurfactants for droplet microfluidics

该研究提出了一种无需酸氯中间体且适用于生物学实验室的简便方法,通过直接羰二亚胺偶联将功能化全氟聚醚(PFPE)与胺基头基结合制备氟表面活性剂,从而降低了生物微流控实验室对商业试剂的依赖并拓展了其在基因组筛选、热循环及蛋白质结晶等应用中的灵活性。

Akins, C., Johnson, J. L., Babnigg, G.2026-03-29
📄 synthetic biology

Optimization of PURE system composition using automation and active learning

该研究结合自动化液体处理与主动学习框架,通过系统优化 PURE 体系组分,不仅显著提升了单一报告基因及大型合成染色体的蛋白表达效率,还揭示了不同 DNA 浓度及基因背景下优化策略的差异性,从而阐明了基因表达优化的机制并确立了主动学习在探索高维生物系统空间中的高效性。

Bernard-Lapeyre, Y., Cleij, C., Sakai, A., Huguet, M.-J., Danelon, C.2026-03-25
📄 synthetic biology

CombinGym: a benchmark platform for machine learning-assisted design of combinatorial protein variants

本文介绍了 CombinGym 基准平台,该平台通过整合 14 个组合突变数据集并评估多种机器学习算法,填补了蛋白质组合突变设计领域的空白,并验证了利用低阶突变数据预测高阶突变性能的有效性,同时提供了交互式网站以促进相关研究与自动化生物制造平台的集成。

Chen, Y., Fu, L., Lu, X., Li, W., Gao, Y., Wang, Y., Ruan, Z., Si, T.2026-03-25
📄 synthetic biology

Engineering bacterial combinatorial promoters for two-input chemical AND switching

该研究通过系统改造大肠杆菌双输入组合启动子,利用 Marionette 转录因子盒实现了对四种状态的真值表精确控制,筛选出九种稳健的 AND 逻辑开关,并揭示了抑制部分诱导态、确保结构兼容性以及管理长操纵子方向等关键设计原则,从而为构建多输入细菌启动子提供了实用的序列感知设计规则。

Prakash, S., Jaramillo, A.2026-03-25
📄 synthetic biology

The Cepeda Framework: A Modular, Safety-First Preclinical Architecture for Testing Coordinated Multi-Hallmark Rejuvenation Hypotheses in Biological Aging

该论文提出了“Cepeda 框架”,这是一个经过 21,000 次双验证模拟循环优化的模块化、安全优先的临床前研究方案,旨在通过 3:2:1 的 OCT4:SOX2:KLF4 化学计量比、双重 miRNA 逻辑门控及九层安全防御体系,在确保不诱导多能性的前提下,协调针对衰老 12 大标志物的部分重编程干预策略。

Cepeda, C. J.2026-03-19
📄 synthetic biology

A genetically encoded local learning rule enables physical learning in engineered bacteria

该研究通过工程化大肠杆菌实现了一种遗传编码的局部学习规则,利用质粒拷贝数比作为模拟权重并在全局负学习信号下通过生长偏倚进行重写,从而在单细胞及多菌株混合培养中成功演示了包括监督学习、逻辑门构建及类人工神经网络架构在内的物理学习过程,为活体物质的自适应计算和下一代细胞疗法奠定了基础。

Prakash, S., Varela, C., Walsh, M., Galizi, R., Isalan, M., Jaramillo, A.2026-03-19