⚡ electrical engineering

Host-Aware Control of Gene Expression using Data-Enabled Predictive Control

本文表明，与传统的基于人工智能的控制器相比，通过引入基函数处理非线性问题而增强的数据驱动预测控制（DeePC），仅需极少数据即可在细菌中实现基因表达和宿主生长的稳健、样本高效且高性能的实时调控。

原作者： Liam Perreault, Idris Kempf, Kirill Sechkar, Jean-Baptiste Lugagne, Antonis Papachristodoulou

发布于 2026-05-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Liam Perreault, Idris Kempf, Kirill Sechkar, Jean-Baptiste Lugagne, Antonis Papachristodoulou

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在指挥一支由活体细菌组成的管弦乐队。你的目标是让它们同时完美地演奏两个特定的音符：一个音符是它们产生多少种特殊的“夜光”蛋白（基因表达），另一个音符是整个乐队生长的速度（细胞生长速率）。

棘手之处在于，这些细菌很固执。如果你逼迫它们长得更快，它们可能会停止发光；如果你让它们发太多光，它们可能会疲惫不堪而停止生长。这是一场微妙的平衡游戏。

这篇论文介绍了一位新的“指挥家”（计算机控制器），它无需完整的乐谱或漫长的排练，就能学会如何引领这支细菌乐队。以下是他们如何实现这一目标的分解，用简单的概念阐述：

1. 旧方法与新方法

旧方法（基于模型）： 传统上，科学家试图编写一本完美的数学教科书，精确描述每一个细菌是如何工作的。然后，他们会利用这本教科书来预测该做什么。问题在于：生物学是混乱的。如果细菌发生哪怕一点点变化，这本教科书就会出错，指挥家也会失败。
人工智能方法（深度学习）： 另一种方法是让计算机通过试错来“学习”，就像视频游戏角色通过刷怪获取经验值一样。这种方法效果不错，但需要海量的数据（数千小时的练习），并且针对每一种新型细菌都需要从头重新训练。
新方法（DeePC）： 作者使用了一种称为**数据驱动预测控制（DeePC）**的方法。想象一位指挥家不需要教科书，也不需要数千小时的练习。相反，他们只需聆听乐队过去几分钟演奏的音乐，并据此推测下一步该做什么。这是一种“即插即用”的方式。

2. 两个旋钮与两个仪表

该系统有两个控制（输入）和两个测量对象（输出）：

控制：
1. 光：向细菌照射特定颜色的光，以开启或关闭基因（就像调光开关）。
2. 食物： 改变食物中的营养密度（就像调整乐队演奏的节拍速度）。
仪表：
1. 发光： 细菌有多亮。
2. 生长： 细菌繁殖得有多快。

3. 秘诀：“基函数”

细菌不是简单的机器；它们的反应是曲线而非直线。如果你将光照强度加倍，发光强度并不一定会加倍。论文引入了一种特殊的“翻译器”，称为基函数。

想象一下，试图只用直线的乐高积木画出一条平滑的曲线。看起来会参差不齐且丑陋。但如果你拥有特殊的弯曲乐高积木（即基函数），你就可以搭建出一条平滑、完美的曲线。作者将这些“弯曲积木”添加到了他们的控制器中，使其能够在不需要复杂数学模型的情况下，理解细菌自然的非线性行为。

4. 速度的“作弊码”（模型降阶）

通常，要预测复杂系统的未来，需要大量数据。作者意识到，虽然细菌有 18 种不同的内部“状态”（就像 18 种不同的乐器在演奏），但其中只有 5 种对大局真正重要。

他们使用了一种称为模型降阶的技巧，忽略了那 13 个“噪音”乐器，只关注主要的 5 个。这就像调谐收音机以消除静电干扰，只听到主旋律。因为他们专注于重要部分，所以教导控制器如何工作所需的数据量显著减少。

5. 结果：谁赢得了比赛？

作者将他们的新型“带弯曲积木的 DeePC"控制器与其他四种方法进行了测试：

PI 控制： 一种简单的、老派的遵循规则的方法。（它难以跟上不断变化的目标）。
深度 MPC： 一种需要海量训练数据的重型人工智能方法。（它表现良好，但数据需求量大）。
DDPG： 一种强化学习方法（就像视频游戏人工智能）。（它效果不错，但也需要大量练习）。
SLMPC： 一种使用完美数学模型的方法（即“教科书”方法）。（它表现最好，但这仅仅是因为它拥有对细菌的完美知识，而这在现实生活中是罕见的）。

获胜者： 新的DeePC方法的表现几乎与拥有“完美知识”的方法（SLMPC）以及先进的人工智能方法一样好，但它使用的数据量最少。

为什么这很重要

这篇论文声称这是一个“概念验证”。它表明，你可以在实时控制复杂的生命系统，而无需了解生物学的每一个细节，也无需花费数月时间收集数据。

作者特别提到，这种设置是为未来的实验设计的，将使用显微镜和微流控装置（容纳细胞的微型芯片）来逐个控制细菌。目标是研究单个细胞在变化条件下彼此表现出的不同行为，这对于理解生物学和工程化新型生物工具至关重要。

简而言之： 他们构建了一位聪明且数据高效的指挥家，即使乐手不可预测，也能利用极少的排练时间，引领细菌乐队演奏出正确的音符。

技术摘要：基于数据驱动预测控制的宿主感知基因表达调控

问题陈述
合成生物学旨在精确调控细胞过程（如基因表达和生长速率），以应用于生物制造和基础研究。当前的控制策略面临一种两难困境：基于模型的控制器（如模型预测控制 MPC）依赖于准确的线性化模型，而这些模型在复杂的生物系统中可能缺乏有效性；而基于人工智能的方法（如深度 MPC、强化学习）通常需要大量的训练数据，且对新系统需要重新训练。因此，亟需一种控制策略，使其具有高样本效率、对参数不确定性的鲁棒性，以及处理非线性的能力，同时无需针对每个新应用进行大量的先验系统辨识或重新训练。

方法论
作者提出了一种数据驱动预测控制（DeePC）框架，应用于大肠杆菌（E. coli）中的一个双输入双输出（2x2）生物系统。

系统模型：受控系统整合了一个粗粒度的细菌宿主模型与 CcaS/CcaR 光遗传学 Toggle 开关的机理模型。输入为营养物浓度（ $u_s$ ）和红/绿光强度比（ $u_g$ ）。输出为主机生长速率（ $y_\lambda$ ）和荧光报告基因的表达水平（ $y_g$ ）。该系统本质上是非线性的，包含 18 个状态，并表现出耦合特性，即生长速率通过稀释和资源竞争影响基因表达。
控制器设计：核心算法为线性 DeePC，它利用 Hankel 矩阵直接从测量的输入 - 输出数据预测系统未来行为，从而绕过对显式参数模型的需求。为了应对系统的非线性（特别是对光和营养物的 S 形响应），作者引入了基函数（ $\phi_1, \phi_2$ ），在输入进入 DeePC 优化问题之前对其进行变换。
数据效率：为了最小化控制器初始化所需的数据，作者采用了平衡模型降阶。通过分析线性化系统的可观性和可控性 Gram 矩阵，他们证明将状态维度从 18 降至 5 即可捕捉系统 99.4% 的动态特性。这种降阶显著降低了满足持续激励条件所需的最小样本数。
实施：控制器以滚动时域方式运行。为了处理任意参考信号并保持 Hankel 矩阵的秩，在每个时间步都会追加新的输入 - 输出数据。代价函数惩罚输入差异而非绝对输入值，以引入积分作用。

主要贡献

宿主感知控制策略：本文提出了一种“即插即用”控制器，通过利用营养物密度同时调控合成基因表达和宿主生长，避免了以往工作中所需的额外合成电路或外部稀释方法。
通过基函数处理非线性：将基函数集成到 DeePC 框架中，使控制器能够管理生物系统中常见的 S 形非线性，同时保持线性公式的计算简洁性。
样本效率：通过模型降阶，作者证明与使用全阶模型（ $T \ge 167$ ）相比，该控制器可以用显著更少的数据点（最小 $T \ge 89$ 个样本）实现，使其适用于时间受限的体内（in vivo）实验。
全面的基准测试：本研究对 DeePC 与其他四种控制范式进行了严格比较：无模型（PI）、基于模型（连续线性化 MPC 或 SLMPC）以及基于人工智能（深度 MPC 和深度确定性策略梯度/DDPG）。

结果

性能：在正弦波和阶跃参考信号的仿真中，带有基函数的 DeePC 控制器（DeePC/BF）跟踪参考信号的性能与 SLMPC（假设全状态反馈和完美模型知识）相当，并显著优于 PI 和深度 MPC。
鲁棒性：该控制器对测量噪声、光遗传学响应的时间延迟以及基函数中的参数不确定性表现出鲁棒性。虽然性能随噪声或延迟的增加而下降，但控制器仍保持稳定性并达到稳态。
样本效率：DeePC/BF 被证明比深度 MPC 和 DDPG 具有显著更高的样本效率。虽然深度 MPC 和 DDPG 需要数十万训练样本才能使性能达到平台期，但 DeePC/BF 在少于 200 个样本的情况下就实现了相当的跟踪性能。
比较器的局限性：由于实现所需的输入二值化，深度 MPC 表现挣扎；PI 控制无法准确跟踪时变参考信号。DDPG 在阶跃响应上表现良好，但需要大量的训练回合。

意义与主张
本文将这项工作定位为未来在具备单细胞光遗传学控制能力的显微镜平台上进行体内（in vivo）实验的概念验证。作者声称，他们的方法为工程生物学中的实时、单细胞水平调控提供了一条可行途径，无需与基于人工智能的方法相关的劳动密集型训练和重新训练。通过模型降阶和基函数最小化数据采集周期，该方法解决了持续时间受限（例如细胞存活率）实验的关键瓶颈。研究结论指出，辅以基函数和模型降阶的 DeePC 为宿主感知的合成遗传控制提供了一种鲁棒且数据高效的替代方案，并为未来生物应用中的最佳硬件和实验设计提供了指导方针。