Modificando i genomi di piante e microrganismi, i biologi sintetici possono progettare sistemi biologici che soddisfano una specifica, come la produzione di composti chimici preziosi, la sensibilità dei batteri alla luce o la programmazione delle cellule batteriche per invadere le cellule tumorali.
Questo campo della scienza, sebbene abbia solo pochi decenni, ha consentito la produzione su larga scala di farmaci e ha stabilito la capacità di produrre prodotti chimici, combustibili e materiali senza petrolio. Sembra che i prodotti biofabbricati siano qui per restare e che faremo sempre più affidamento su di essi man mano che ci allontaniamo dai tradizionali processi di produzione ad alta intensità di carbonio.
Ma c’è un grosso ostacolo:la biologia sintetica è lenta e ad alta intensità di lavoro. Dalla comprensione dei geni necessari per realizzare un prodotto, al farli funzionare correttamente in un organismo ospite, e infine al far prosperare quell'organismo in un ambiente industriale su larga scala in modo che possa produrre abbastanza prodotti per soddisfare la domanda del mercato, lo sviluppo di un processo di bioproduzione può richiedere molti anni e molti milioni di dollari di investimenti.
Héctor García Martín, uno scienziato dell'area Bioscienze del Lawrence Berkeley National Laboratory (Berkeley Lab), sta lavorando per accelerare e perfezionare questo panorama di ricerca e sviluppo applicando l'intelligenza artificiale e gli strumenti matematici che ha imparato durante la sua formazione come fisico.
Abbiamo parlato con lui per scoprire come l'intelligenza artificiale, gli algoritmi su misura, la modellazione matematica e l'automazione robotica possono unirsi come una somma maggiore delle sue parti e fornire un nuovo approccio per la biologia sintetica.
Penso che gli ostacoli che troviamo nella biologia sintetica per creare prodotti rinnovabili derivino tutti da una carenza scientifica fondamentale:la nostra incapacità di prevedere i sistemi biologici. Molti biologi sintetici potrebbero non essere d’accordo con me e sottolineare la difficoltà nel portare i processi da millilitri a migliaia di litri, o le difficoltà per ottenere rese sufficientemente elevate da garantire la fattibilità commerciale, o anche l’ardua ricerca in letteratura di molecole con le giuste proprietà da sintetizzare. E questo è tutto vero.
Ma credo che siano tutte una conseguenza della nostra incapacità di prevedere i sistemi biologici. Supponiamo che qualcuno con una macchina del tempo (o Dio, o il tuo essere onnisciente preferito) venga e ci dia una sequenza di DNA perfettamente progettata da inserire in un microbo in modo da creare la quantità ottimale della nostra molecola bersaglio desiderata (ad esempio, un biocarburante). su larga scala (migliaia di litri).
Ci vorrebbero un paio di settimane per sintetizzarlo e trasformarlo in una cellula, e dai tre ai sei mesi per coltivarlo su scala commerciale. La differenza tra quei 6,5 mesi e i circa 10 anni che ci vogliono adesso, è il tempo impiegato a mettere a punto le sequenze genetiche e le condizioni di coltura, ad esempio abbassando l'espressione di un determinato gene per evitare l'accumulo di sostanze tossiche o aumentando i livelli di ossigeno per una crescita più rapida —perché non sappiamo come questi influenzeranno il comportamento delle cellule.
Se potessimo prevederlo con precisione, saremmo in grado di ingegnerizzarli in modo molto più efficiente. Ed è così che si fa in altre discipline. Non progettiamo aerei costruendo nuove forme di aerei e facendoli volare per vedere come funzionano. La nostra conoscenza della dinamica dei fluidi e dell'ingegneria strutturale è così approfondita che possiamo simulare e prevedere l'effetto che qualcosa come un cambiamento della fusoliera avrà sul volo.
Utilizziamo l’apprendimento automatico e l’intelligenza artificiale per fornire il potere predittivo di cui la biologia sintetica ha bisogno. Il nostro approccio ignora la necessità di comprendere appieno i meccanismi molecolari coinvolti, consentendo così un notevole risparmio di tempo. Tuttavia, ciò suscita qualche sospetto nei biologi molecolari tradizionali.
Normalmente questi strumenti devono essere addestrati su enormi set di dati, ma nella biologia sintetica non disponiamo di tanti dati quanti ne potresti avere in qualcosa come l'astronomia, quindi abbiamo sviluppato metodi unici per superare questa limitazione. Ad esempio, abbiamo utilizzato l'apprendimento automatico per prevedere quali promotori (sequenze di DNA che mediano l'espressione genetica) scegliere per ottenere la massima produttività.
Abbiamo anche utilizzato l'apprendimento automatico per prevedere i giusti mezzi di crescita per una produzione ottimale, per prevedere la dinamica metabolica delle cellule, per aumentare la resa di precursori sostenibili di carburante per l'aviazione e per prevedere come progettare polichetidi sintasi funzionanti (enzimi che possono produrre un'enorme varietà di molecole preziose ma sono notoriamente difficili da progettare in modo prevedibile).
In molti di questi casi abbiamo dovuto automatizzare gli esperimenti scientifici per ottenere le grandi quantità di dati di alta qualità di cui abbiamo bisogno affinché i metodi di intelligenza artificiale fossero veramente efficaci. Ad esempio, abbiamo utilizzato manipolatori robotizzati di liquidi per creare nuovi mezzi di crescita per i microbi e testarne l’efficacia, e abbiamo sviluppato chip microfluidici per cercare di automatizzare l’editing genetico. Sto lavorando attivamente con gli altri del laboratorio (e collaboratori esterni) per creare laboratori a guida autonoma per la biologia sintetica.
Il numero di gruppi di ricerca con esperienza nell’intersezione tra intelligenza artificiale, biologia sintetica e automazione è molto ridotto, soprattutto al di fuori dell’industria. Vorrei evidenziare Philip Romero dell'Università del Wisconsin e Huimin Zhao dell'Università Urbana-Champaign dell'Illinois. Tuttavia, dato il potenziale di questa combinazione di tecnologie di avere un enorme impatto sociale (ad esempio, nella lotta al cambiamento climatico o nella produzione di nuovi farmaci terapeutici ), penso che questo campo crescerà molto velocemente nel prossimo futuro.
Ho fatto parte di numerosi gruppi di lavoro, commissioni e workshop, incluso un incontro di esperti per la Commissione per la sicurezza nazionale sulle biotecnologie emergenti, che hanno discusso le opportunità in quest'area e stanno redigendo rapporti con raccomandazioni attive.
Penso che un’intensa applicazione dell’intelligenza artificiale e della robotica/automazione alla biologia sintetica possa accelerare le tempistiche della biologia sintetica di circa 20 volte. Potremmo creare una nuova molecola commercialmente valida in circa 6 mesi invece che in circa 10 anni. Ciò è assolutamente necessario se vogliamo realizzare una bioeconomia circolare, ovvero l'uso sostenibile della biomassa rinnovabile (fonti di carbonio) per generare energia e prodotti intermedi e finali.
Si stima che al giorno d’oggi ci siano 3.574 sostanze chimiche ad alto volume di produzione (HPV) (sostanze chimiche che gli Stati Uniti producono o importano in quantità di almeno 1 milione di libbre all’anno) che provengono dal settore petrolchimico. Un'azienda biotecnologica chiamata Genencor ha impiegato 575 anni-persona di lavoro per creare un percorso rinnovabile per la produzione di una di queste sostanze chimiche ampiamente utilizzate, l'1,3-propandiolo, e questa è una cifra tipica.
Se assumiamo che questo sia il tempo necessario per progettare un processo di bioproduzione per sostituire il processo di raffinazione del petrolio per ciascuna di queste migliaia di sostanze chimiche, avremmo bisogno di circa 2.000.000 di anni-persona. Se mettessimo tutti i circa 5.000 biologi sintetici statunitensi stimati (diciamo il 10% di tutti gli scienziati biologici negli Stati Uniti, e questa è una sovrastima) a lavorare su questo, ci vorrebbero circa 371 anni per creare quella bioeconomia circolare.
Con l’anomalia della temperatura che cresce ogni anno, in realtà non abbiamo 371 anni. Questi numeri sono ovviamente rapidi calcoli approssimativi, ma danno un’idea dell’ordine di grandezza se continuiamo il percorso attuale. Abbiamo bisogno di un approccio dirompente.
Inoltre, questo approccio consentirebbe il perseguimento di obiettivi più ambiziosi che sono irrealizzabili con gli approcci attuali, come:ingegneria delle comunità microbiche per scopi ambientali e per la salute umana, biomateriali, tessuti bioingegnerizzati, ecc.
Berkeley Lab ha investito molto nella biologia sintetica negli ultimi due decenni e dimostra una notevole esperienza nel campo. Inoltre, il Berkeley Lab è la casa della "grande scienza":scienza multidisciplinare, basata su grandi team e
Penso che questa sia la strada giusta per la biologia sintetica in questo momento. Molto è stato ottenuto negli ultimi settant’anni dalla scoperta del DNA attraverso gli approcci tradizionali della biologia molecolare a singolo ricercatore, ma penso che le sfide future richiedano un approccio multidisciplinare che coinvolga biologi sintetici, matematici, ingegneri elettrici, informatici, biologi molecolari, ingegneri chimici , ecc. Penso che Berkeley Lab dovrebbe essere il luogo naturale per questo tipo di lavoro.
Fin dall'inizio mi sono interessato molto alla scienza, in particolare alla biologia e alla fisica. Ricordo vividamente mio padre che mi parlava dell'estinzione dei dinosauri. Ricordo anche che mi fu detto che, nel periodo Permiano, c'erano libellule giganti (~75 cm) perché i livelli di ossigeno erano molto più alti di adesso (~30% contro 20%) e gli insetti ottengono il loro ossigeno attraverso la diffusione, non attraverso i polmoni. Quindi, livelli di ossigeno più elevati hanno consentito la creazione di insetti molto più grandi.
Ero anche affascinato dalla capacità che la matematica e la fisica ci offrono nel comprendere e progettare le cose che ci circondano. La fisica fu la mia prima scelta, perché il modo in cui veniva insegnata la biologia a quei tempi prevedeva molta più memorizzazione che previsioni quantitative. Ma ho sempre avuto interesse a scoprire quali principi scientifici hanno portato alla vita sulla Terra come la vediamo ora.
Ho conseguito il dottorato in fisica teorica, in cui ho simulato i condensati di Bose-Einstein (uno stato della materia che si verifica quando le particelle chiamate bosoni, un gruppo che comprende i fotoni, si trovano a temperatura prossima allo zero assoluto) e utilizzando l'integrale di percorso Monte Carlo, ma ha anche fornito una spiegazione per un enigma in ecologia vecchio di più di 100 anni:perché il numero di specie in un'area scala con una legge di potere apparentemente universale in dipendenza dall'area (S=cA z , z=0,25)? Da quel momento in poi avrei potuto continuare a lavorare sulla fisica, ma pensavo che avrei potuto avere un impatto maggiore applicando le capacità predittive alla biologia.
Per questo motivo ho scommesso molto su un dottorato in fisica. e ha accettato un post-doc presso il DOE Joint Genome Institute in metagenomica – sequenziamento delle comunità microbiche per svelare le loro attività cellulari sottostanti – con la speranza di sviluppare modelli predittivi per i microbiomi. Ho scoperto, tuttavia, che la maggior parte degli ecologisti microbici aveva un interesse limitato per i modelli predittivi, quindi ho iniziato a lavorare nel campo della biologia sintetica, che ha bisogno di capacità di previsione perché mira a progettare le cellule secondo una specifica.
La mia posizione attuale mi consente di utilizzare le mie conoscenze matematiche per provare a progettare in modo prevedibile le cellule per produrre biocarburanti e combattere il cambiamento climatico. Abbiamo fatto molti progressi e abbiamo fornito alcuni dei primi esempi di biologia sintetica guidata dall'intelligenza artificiale, ma c'è ancora molto lavoro da fare per rendere la biologia prevedibile.
Fornito dal Lawrence Berkeley National Laboratory
