用于治疗和生物用途的高附加值毒素的贸易正在扩大。这些毒素一般来自于属于双鞭毛虫科的微藻类。由于这些敏感的浮游生物难以生长，而且合成这些分子的方法也很复杂，这些分子一般都是复杂的化学结构，因此生物毒素制造商呼吁采用人工智能技术。

通过开发特定的学习神经网络，将其应用于生物毒素生产的每个阶段，制造工艺得到了极大的改善：光生物反应器在最佳yied下运行；新的化学合成研究过程；毒素生物合成研究途径提供了捷径可能性。该研究以“Artificial intelligence applied to the production of high-added-value dinoflagellates toxins”为题发布于《AI & SOCIETY》杂志上。

    研究背景  

全球有数十万种微藻分布在海洋、淡水或咸水的表面.近年来，人们对微藻产生的生物活性分子(毒素)的持久兴趣不断上升。微藻市场在2018年的价值为5,464万美元，预计到2025年将达到7,637万美元，预测期内年复合增长率为4.9%。

微藻可以被看作是 "生产重组商业分子的细胞工厂"，这鼓励了众多创业公司的诞生，专门生产微藻种类（绿藻、二叶藻、红藻、优藻），主要在西方国家。微藻物种越来越受到关注的原因是它们能够合成各种复杂的分子，这些分子因其生物学特征而被认可，具有作为药物疗法和生物探针的巨大潜力。在众多的微藻物种中，双鞭毛藻家族特别引人关注，因为它们表现出了种类繁多的天然化合物。

这些甲藻类药物大多具有复杂的化学结构，其发展需要利用新设计的逆转录合成方案进行有效的化学合成。孢粉毒素是一个重要的例子，它的市场价值很高，因为它的价格约为700美元100μg。这种分子有64个立体基因中心；它的合成需要超过140个步骤。

深入学习神经网络考虑了整个物理参数(温度、pH值、辐照度、湍流气流、生物反应器容量、光能源)以及生产甲藻所涉及的生物参数(组成介质、营养需求)，有助于确定最佳的条件，从而为某一甲藻种获得最佳的甲藻生物量产量。

 图为学习神经网络在生物毒素甲藻生产中的应用

分子的合成仍然是有机化学中最重要的挑战之一。基于具体的追溯合成方案开发的标准方法是重复和耗时的任务。

已确定了与化合物化学合成有关的化学反应类型，准确度超过80%。自该算法发展以来，新的深入学习神经网络已经发展起来，它涉及约1200万已知的单步反应，并允许预测可用于多步合成的任何一步反应。

 图为学习神经网络预测生物毒素合成反应类型的概率

此外，基于知识或人工智能的技术被越来越多地用作环境系统建模的替代技术，但研究者认为人工智能技术也可以应用于生物系统的生产。这些技术可以是人工神经网络、模糊模型、遗传算法、细胞自动机、多智能体系统、群体智能、强化学习和混合系统。

分子的合成仍然是有机化学中最重要的挑战之一。基于具体的追溯合成方案开发的标准方法是重复和耗时的任务.在过去的几十年里，通过机器学习，有机化学合成取得了实质性进展。对于某些二氟甲烷类生物毒素分子而言，新合成法(Saxitoxin、河豚毒素、没食子酸)是可行的，但对于其他生物毒素，如孢粉毒素、叶索毒素、短毒素、γ-赖氨醇、新合成，则被认为是极其复杂和经济上不可行的。

利用深入学习神经网络，药用有机化学家可以使用有价值的逆向合成方案，使药物合成的总收率更高，减少步骤数，并预测化合物立体化学、结构鉴定(NMR、UV、IR)和一些物理化学性质。

 图为学习神经网络预测生物毒素合成反应类型的概率

了解与生产天然化合物有关的代谢途径，其化学结构相当复杂，有时有可能分离出特定的中间代谢物，这是靶向天然药物代谢途径的一部分。从这种代谢物开始，进行特定的化学反应，以较少的步骤和更好的产率获得所需的最终药物。

人工智能使DNA测序更快、更便宜和更准确，并使人们能够从特定的基因蓝图中了解到某种有机体的整个活动。

Saxitoxin生物合成途径编码长度超过35 kb，比较序列分析显示6个蛋白质具有30种催化功能。Saxitoxin在硅功能推断中的应用开读框结合液相色谱-串联质谱分析，对Saxitoxin生物合成途径的描述进行了修改，并确定了一个Saxitoxin生物合成基因簇(STX)，并证明该基因簇参与了Saxitoxin的生产。知道正确的saxitoxin代谢途径，就有可能构建一个算法，该算法不仅满足每个约束，而且允许几个通过关键酶的替代途径。最近，人工智能的新方法被报道，这种方法提供了将化学和生物学整合到复杂反应计划中的可能性，从而提供了获取复杂分子的途径，而这两种方法都是无法单独实现的。

在未来，构建一种具有天然产物规模的异生物分子将需要综合计算机辅助设计软件包，将逆转录合成、代谢通量分析、蛋白质工程和基因电路设计自动化结合起来。这种人工智能技术已经被应用于具有高度研究影响力的系统生物学。

    研究结论  

甲藻是生物毒素丰富的生物技术来源之一，不仅在药理和医学领域具有有趣的生物活性，而且在化学生物学领域具有广阔的应用前景。尽管有这样的价值，但缺乏这样的生物毒素仍然是一个主要问题，这是新兴的海洋天然产品必须面对的经济问题和可行性问题。

问题变得更加复杂，因为这些高价值的生物毒素主要存在于鞭毛藻物种中，而鞭毛藻是极其脆弱的微藻，培养需要高科技生物反应器。为了克服这些问题，现有的基于学习神经网络的人工智能技术可以应用于生物毒素生产的各个阶段:化学合成和半合成、生物毒素结构识别、生物反应器工程系统、通过标记通过算法的生物路径识别。

AI明显表现为一种很有前途的工具来帮助新start-uppers跳在限制生物体毒素市场,提出不仅生物毒素以合理的价格,也让新药物的发现,考虑到鞭毛藻类海洋生物感兴趣的几千药物的来源,这仍有待发现。当然，要将人工智能技术推广到其他甲藻物种以产生其他高价值毒素，研究者需要生成足够的数据来训练深度神经网络。然而，研究者的观点是利用研究者通过人工智能网络获得的知识，优化从已知的难以生长的腰鞭毛藻新物种中生产新的高附加值毒素。

参考文献：Jean-louis Kraus Artificial intelligence applied to the production of high-added-value dinoflagellates toxinsAI & SOCIETY851–855(2020)