Generative Neuromorphic Programming of Mammalian Cells
本文介绍了一种生成式神经形态编程框架,该框架结合了用于模拟电路构建的 RNA 靶向内切核糖核酸酶、用于精确预测的仿生神经网络以及用于自动化设计的“生物编译器”,从而实现了在哺乳动物细胞中对复杂且此前未见的模拟行为进行成功的单次通过工程化设计。
原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
细胞并非简单的开/关开关;它们是复杂的处理器,能够不断权衡多种信号以做出决策。在自然界中,一个细胞可能会感知附近漂浮的几种不同蛋白质的水平,并根据这些信号的精确组合和强度,决定是进行分裂、修复损伤还是死亡。这种决策过程通过一个密集的内部连接网络实现,该网络产生的是平滑且渐进的响应,而非二进制的“是”或“否”的答案。几十年来,试图为新任务编程细胞的科学家们一直面临困难,因为他们的工具是为数字逻辑构建的,将生物部分视为非全开即全关的计算机位。这种不匹配使得设计能够处理生命系统微妙模拟特性的电路变得异常困难,往往需要经过数年的反复试验才能实现哪怕是最简单的行为。
麻省理工学院及其他机构的研究团队现在通过教导细胞以其自然的方式进行计算,填补了这一鸿沟。他们开发了一个系统,将细胞的内部机制视为一台灵活的模拟计算机,能够同时对多个输入进行复杂计算。研究人员并没有强迫细胞遵循僵化的数字规则,而是构建了一个软件引擎,用于设计产生特定平滑行为模式的遗传电路。他们通过从头开始创建三个全新的遗传电路证明了这一点,每个电路都被设计为识别两种输入信号的独特组合,并做出精确的输出响应。值得注意的是,每一个电路都完全按照软件的预测运行,在第一次尝试时就成功了,无需任何人工微调或调整。
这一成就的核心在于一种看待基因相互作用的新方式。研究人员确定了五个基本构建模块,这些模块模仿了人工神经网络的操作,但它们是由真实的生物分子构成的。他们使用可以切割 RNA 的特定酶来充当负输入,从而有效地减去信号,而其他机制则将信号相加。他们还找到了调整这些连接强度的办法,就像调节音量旋钮一样,通过改变控制蛋白质产生量的遗传序列来实现。通过将这些模块连接起来,他们创建了一个系统,其中电路的一个部分可以将输出反馈到下一部分,从而实现多层处理。这种方法使细胞能够计算复杂的功能,例如检测特定范围的信号水平并忽略其他所有信号,这种行为被称为带通滤波器。
为了使该系统具有实用性,团队开发了一个名为 biocompiler(生物编译器)的软件包。该程序充当了“期望的行为”与“构建该行为所需的 DNA 指令”之间的翻译器。该软件依赖于一个称为“生物形态神经网络”(biomorphic neural network)的模型,该模型通过研究大量的现有实验来学习生物过程的工作原理。软件并不猜测控制基因相互作用的数学公式,而是通过真实数据学习这些过程的实际行为。它将每一个遗传部分(如启动子或特定的酶)都视为一个具有独特“指纹”且可调节的灵活组件。当科学家想要细胞执行一项新任务时,他们只需描述期望的输出模式,软件就会在数百万种可能的部件和连接组合中进行搜索,以找到能够产生该结果的方案。
研究人员通过要求系统设计出三种在训练数据中从未出现过的行为模式,测试了这一系统。软件提出了三种完全不同的电路架构,这些架构在它所学习的部件库中并不存在。随后,团队在实验室中构建了这些电路,将 DNA 指令植入人类细胞中。在所有案例中,细胞产生的模式都与软件预测的完全一致。设计与现实之间的匹配度如此之高,以至于其差异甚至不超过重复进行同一实验时观察到的自然变异。这一成功证明,该软件不仅可以预测电路的行为,还可以发明能立即投入使用的全新电路,从而绕过了传统上减缓合成生物学进程的长期试错周期。
这项工作代表了科学家对待生命工程方式的一次重大转变。此前,设计一个执行复杂任务的细胞就像是通过猜测哪些齿轮能配合在一起来制造时钟,往往需要多次失败才能调整好时机。这种新方法更像是使用一份由一个已经理解齿轮物理原理的系统生成的蓝图。通过学习大量的既往实验,该软件建立了一种对基因部件如何相互作用的深刻理解,使其能够推广到未曾见过的场景。该系统足够稳健,可以在不同类型的细胞中工作,这表明它学到的规则是这些细胞功能的根本特性,而非仅针对某一特定类型。
这项工作的意义不仅在于制造更好的电路。它建立了一个框架,使生物工程可以成为一门累积性科学,即每一次新的实验都可以增加到共享的知识库中,使未来的设计更加精确。随着系统学习更多数据,它在预测日益复杂的网络行为方面会变得更加出色。研究人员已经证明,利用生物原生的模拟语言,可以像工程师设计电子设备那样,以同样的精度和可靠性来对细胞进行编程。这为创造能够执行复杂任务的细胞打开了大门,例如根据复杂的标记特征识别并摧毁癌细胞,或者以精确的空间模式引导组织生长,而无需人类不断干预来修复错误。
biocompiler 的成功依赖于一种与传统机器学习不同的特定学习类型。该系统并非训练一个单一的庞大模型来识别图像或文本中的模式,而是学习单个生物过程的行为,例如特定酶如何切割 RNA 或启动子如何驱动基因表达。这些学到的行为随后被重新组合以形成新的电路。这意味着该系统不仅仅是记忆它见过的电路,而是理解了支配它们的底层规则。当面对新的设计挑战时,它可以以一种创新的方式组装这些已知规则来解决问题。这种组合式方法使其能够处理一个极其广阔的设计空间,如果依靠实验来探索所有可能的遗传部件组合,其规模将大到任何实验室都无法承受。
在所述实验中,研究人员使用了一种称为“多重转染”(poly-co-transfection)的技术来测试他们的设计。这种方法允许他们在单个细胞群体中传递不同数量的不同遗传输入,从而在单次实验中创造出广泛的条件。通过测量每个细胞的输出,他们可以绘制出电路的整个响应曲面,观察其在所有可能的输入组合下的表现。这种高分辨率的细胞行为视图为训练软件和验证其预测提供了详细数据。软件能够预测从未见过的电路行为,且这些预测在实验室中得到证实,这一事实确认了该模型捕捉到了细胞内部网络的本质逻辑。
研究人员还测试了该系统是否可以将知识从一种细胞类型转移到另一种。他们使用来自人类胚胎肾细胞的数据训练软件,然后要求软件预测该电路在两种其他细胞类型(视网膜色素上皮细胞和中国仓鼠卵细胞)中的行为。软件在这些新细胞类型中的表现几乎与在训练细胞中的表现一样出色,这表明这些遗传部件相互作用的基本规则在不同的细胞系之间是一致的。这种可移植性对于实际应用至关重要,因为这意味着在一个细胞类型中设计的方案很可能也能适配到另一种细胞中,而无需从头开始。
尽管目前的系统是一个重大进步,但研究人员也承认仍有许多工作要做。该软件目前在预定义的结构模板(或称“支架”)内运行,尚无法从无到有地发明全新的连接类型。未来的系统可能会学习直接从数据中生成这些结构规则,从而进一步扩大设计的范围。此外,目前的模型虽然能很好地捕捉单个过程的行为,但尚未明确考虑全局效应(如对细胞资源的竞争),这些效应有时会改变电路行为。然而,该框架设计得非常灵活,这些局限性可以通过让系统学习更复杂的数据来加以解决。
能够如此精确地对细胞进行编程,改变了合成生物学的潜力。它将该领域从一种试错学科转变为一种理性设计学科,工程师可以指定一个功能,并获得一个可运行的遗传电路。这种能力对于下一代细胞疗法至关重要,因为细胞必须被编程为能够检测并响应人体内复杂且不断变化的环境。通过利用细胞原生的模拟计算能力,这种方法提供了一条路径,去创造出像其构建的生物系统一样精密且适应性强的生命机器。这项工作表明,只要拥有正确的工具,我们最终可以流利地使用细胞的语言,将其自然的复杂性转化为解决医学和生物学领域最困难挑战的可编程资源。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。