Al modificar los genomas de plantas y microorganismos, los biólogos sintéticos pueden diseñar sistemas biológicos que cumplan una especificación, como producir compuestos químicos valiosos, hacer que las bacterias sean sensibles a la luz o programar células bacterianas para que invadan las células cancerosas.
Este campo de la ciencia, aunque sólo tiene unas pocas décadas de existencia, ha permitido la producción a gran escala de medicamentos y ha establecido la capacidad de fabricar productos químicos, combustibles y materiales sin petróleo. Parece que los productos biomanufacturados llegaron para quedarse y que dependeremos cada vez más de ellos a medida que nos alejemos de los procesos de fabricación tradicionales con uso intensivo de carbono.
Pero hay un gran obstáculo:la biología sintética requiere mucha mano de obra y es lenta. Desde comprender los genes necesarios para fabricar un producto, hasta lograr que funcionen adecuadamente en un organismo huésped y, finalmente, hacer que ese organismo prospere en un entorno industrial a gran escala para que pueda producir suficiente producto para satisfacer la demanda del mercado, el desarrollo de un proceso de biofabricación puede llevar muchos años y muchos millones de dólares de inversión.
Héctor García Martín, científico del Área de Biociencias del Laboratorio Nacional Lawrence Berkeley (Berkeley Lab), está trabajando para acelerar y perfeccionar este panorama de I+D aplicando la inteligencia artificial y las herramientas matemáticas que dominó durante su formación como físico.
Hablamos con él para aprender cómo la IA, los algoritmos personalizados, los modelos matemáticos y la automatización robótica pueden unirse como una suma mayor que sus partes y proporcionar un nuevo enfoque para la biología sintética.
Creo que los obstáculos que encontramos en la biología sintética para crear productos renovables provienen todos de una deficiencia científica fundamental:nuestra incapacidad para predecir sistemas biológicos. Muchos biólogos sintéticos podrían no estar de acuerdo conmigo y señalar la dificultad de escalar los procesos de mililitros a miles de litros, o las dificultades para extraer rendimientos suficientemente altos para garantizar la viabilidad comercial, o incluso la ardua literatura que busca moléculas con las propiedades adecuadas para sintetizar. Y todo eso es cierto.
Pero creo que todos son consecuencia de nuestra incapacidad para predecir los sistemas biológicos. Digamos que alguien con una máquina del tiempo (o Dios, o su ser omnisciente favorito) viene y nos da una secuencia de ADN perfectamente diseñada para colocarla en un microbio, de modo que cree la cantidad óptima de nuestra molécula objetivo deseada (por ejemplo, un biocombustible). a grandes escalas (miles de litros).
Se necesitarían un par de semanas para sintetizarlo y transformarlo en una célula, y de tres a seis meses para cultivarlo a escala comercial. La diferencia entre esos 6,5 meses y los ~10 años que nos lleva ahora es el tiempo dedicado a ajustar secuencias genéticas y condiciones de cultivo; por ejemplo, reducir la expresión de un determinado gen para evitar la acumulación tóxica o aumentar los niveles de oxígeno para un crecimiento más rápido. —Porque no sabemos cómo afectarán esto al comportamiento celular.
Si pudiéramos predecir eso con precisión, podríamos diseñarlos de manera mucho más eficiente. Y así se hace en otras disciplinas. No diseñamos aviones construyendo nuevas formas y haciéndolos volar para ver qué tan bien funcionan. Nuestro conocimiento de dinámica de fluidos e ingeniería estructural es tan bueno que podemos simular y predecir el efecto que algo como un cambio de fuselaje tendrá en vuelo.
Estamos utilizando el aprendizaje automático y la inteligencia artificial para proporcionar el poder predictivo que necesita la biología sintética. Nuestro enfoque evita la necesidad de comprender completamente los mecanismos moleculares involucrados, lo que ahorra mucho tiempo. Sin embargo, esto genera algunas sospechas entre los biólogos moleculares tradicionales.
Normalmente, estas herramientas deben entrenarse en enormes conjuntos de datos, pero simplemente no tenemos tantos datos en biología sintética como los que podríamos tener en algo como la astronomía, por lo que desarrollamos métodos únicos para superar esa limitación. Por ejemplo, hemos utilizado el aprendizaje automático para predecir qué promotores (secuencias de ADN que median la expresión genética) elegir para obtener la máxima productividad.
También hemos utilizado el aprendizaje automático para predecir los medios de crecimiento adecuados para una producción óptima, predecir la dinámica metabólica de las células, aumentar los rendimientos de precursores de combustible de aviación sostenibles y predecir cómo diseñar policétidos sintasas funcionales (enzimas que pueden producir una enorme variedad). de moléculas valiosas, pero son notoriamente difíciles de diseñar de manera predecible).
En muchos de estos casos necesitábamos automatizar los experimentos científicos para obtener las grandes cantidades de datos de alta calidad que necesitamos para que los métodos de IA sean verdaderamente efectivos. Por ejemplo, hemos utilizado manipuladores robóticos de líquidos para crear nuevos medios de crecimiento para microbios y probar su eficacia, y hemos desarrollado chips de microfluidos para intentar automatizar la edición genética. Estoy trabajando activamente con otras personas en el laboratorio (y colaboradores externos) para crear laboratorios autónomos para biología sintética.
El número de grupos de investigación con experiencia en la intersección de la IA, la biología sintética y la automatización es muy pequeño, especialmente fuera de la industria. Destacaría a Philip Romero de la Universidad de Wisconsin y Huimin Zhao de la Universidad de Illinois Urbana-Champaign. Sin embargo, dado el potencial de esta combinación de tecnologías para tener un enorme impacto social (por ejemplo, en la lucha contra el cambio climático o en la producción de nuevos fármacos terapéuticos ), creo que este campo crecerá muy rápido en un futuro próximo.
He formado parte de varios grupos de trabajo, comisiones y talleres, incluida una reunión de expertos de la Comisión Nacional de Seguridad en Biotecnología Emergente, que discutieron las oportunidades en esta área y están redactando informes con recomendaciones activas.
Creo que una aplicación intensa de la IA y la robótica/automatización a la biología sintética puede acelerar los plazos de la biología sintética aproximadamente 20 veces. Podríamos crear una nueva molécula comercialmente viable en ~6 meses en lugar de ~10 años. Esto es muy necesario si queremos permitir una bioeconomía circular:el uso sostenible de biomasa renovable (fuentes de carbono) para generar energía y productos intermedios y finales.
Se estima que hoy en día hay 3.574 sustancias químicas de alto volumen de producción (VPH) (sustancias químicas que Estados Unidos produce o importa en cantidades de al menos 1 millón de libras por año) que provienen de petroquímicos. Una empresa de biotecnología llamada Genencor necesitó 575 años-persona de trabajo para producir una ruta renovable para producir uno de estos químicos ampliamente utilizados, el 1,3-propanodiol, y esta es una cifra típica.
Si asumimos que ese es el tiempo que llevaría diseñar un proceso de biofabricación para reemplazar el proceso de refinación de petróleo para cada uno de estos miles de productos químicos, necesitaríamos ~ 2.000.000 de años-persona. Si pusiéramos a todos los aproximadamente 5.000 biólogos sintéticos estadounidenses (digamos el 10% de todos los científicos biológicos en los EE. UU., y eso es una sobreestimación) a trabajar en esto, se necesitarían ~371 años para crear esa bioeconomía circular.
Con la anomalía de temperatura creciendo cada año, en realidad no tenemos 371 años. Estos números son obviamente cálculos rápidos y aproximados, pero dan una idea del orden de magnitud si continuamos por el camino actual. Necesitamos un enfoque disruptivo.
Además, este enfoque permitiría perseguir objetivos más ambiciosos que son inviables con los enfoques actuales, como:ingeniería de comunidades microbianas con fines ambientales y de salud humana, biomateriales, tejidos de bioingeniería, etc.
Berkeley Lab ha realizado una fuerte inversión en biología sintética durante las últimas dos décadas y muestra una experiencia considerable en el campo. Además, Berkeley Lab es el hogar de la "gran ciencia":ciencia multidisciplinaria y de equipos grandes, y
Creo que ese es el camino correcto para la biología sintética en este momento. Se ha logrado mucho en los últimos setenta años desde el descubrimiento del ADN a través de enfoques tradicionales de biología molecular de un solo investigador, pero creo que los desafíos futuros requieren un enfoque multidisciplinario que involucre a biólogos sintéticos, matemáticos, ingenieros eléctricos, informáticos, biólogos moleculares e ingenieros químicos. , etc. Creo que Berkeley Lab debería ser el lugar natural para ese tipo de trabajo.
Desde muy temprano me interesé mucho por la ciencia, específicamente la biología y la física. Recuerdo vívidamente a mi papá contándome sobre la extinción de los dinosaurios. También recuerdo que me dijeron que, en el período Pérmico, había libélulas gigantes (~75 cm) porque los niveles de oxígeno eran mucho más altos que ahora (~30% frente a 20%) y los insectos obtienen oxígeno a través de la difusión, no de los pulmones. Por lo tanto, mayores niveles de oxígeno permitieron que insectos mucho más grandes.
También me fascinaba la capacidad que nos brindan las matemáticas y la física para comprender y diseñar las cosas que nos rodean. La física fue mi primera opción, porque la forma en que se enseñaba la biología en aquellos tiempos implicaba mucho más memorización que predicciones cuantitativas. Pero siempre tuve interés en aprender qué principios científicos llevaron a la vida en la Tierra tal como la vemos ahora.
Obtuve mi doctorado en física teórica, en el que simulé condensados de Bose-Einstein (un estado de la materia que surge cuando partículas llamadas bosones, un grupo que incluye fotones, están a una temperatura cercana al cero absoluto) y usando la integral de ruta Monte Carlo, pero también proporcionó una explicación para un enigma ecológico de más de 100 años:¿por qué el número de especies en un área aumenta con una dependencia de ley de potencia aparentemente universal en el área (S=cA z ,z=0,25)? A partir de entonces podría haber seguido trabajando en física, pero pensé que podría lograr un mayor impacto aplicando capacidades predictivas a la biología.
Por esta razón, me arriesgué mucho a obtener un doctorado en física. y aceptó un postdoctorado en el DOE Joint Genome Institute en metagenómica (secuenciación de comunidades microbianas para desentrañar sus actividades celulares subyacentes) con la esperanza de desarrollar modelos predictivos para microbiomas. Sin embargo, descubrí que la mayoría de los ecólogos microbianos tenían un interés limitado en los modelos predictivos, así que comencé a trabajar en biología sintética, que necesita capacidades de predicción porque su objetivo es diseñar células según una especificación.
Mi puesto actual me permite utilizar mis conocimientos matemáticos para intentar diseñar células de forma predecible para producir biocombustibles y luchar contra el cambio climático. Hemos progresado mucho y hemos proporcionado algunos de los primeros ejemplos de biología sintética guiada por IA, pero aún queda mucho trabajo por hacer para que la biología sea predecible.
Proporcionado por el Laboratorio Nacional Lawrence Berkeley
