新方法使用工程细菌和人工智能来感知和记录环境信号

几年前，生物医学工程教授Tal Danino 实验室的研究人员就如何设计和应用自然形成模式的细菌进行了头脑风暴。有许多细菌种类，例如奇异变形杆菌( P. mirabilis )，它们会在固体表面上自组织成肉眼可见的特定模式。这些细菌可以感知自然界中的多种刺激，并通过“蜂拥而至”对这些线索作出反应——一种由鞭毛驱动的高度协调和快速的细菌运动，鞭毛是一种长长的尾巴状结构，可以产生鞭状运动来帮助推动它们。

为了获得灵感，达尼诺在哥伦比亚工程公司的团队在使用合成生物学方法操纵细菌方面拥有丰富的经验，他们讨论了他们可能在自然界中发现相似模式的其他地方以及它们的功能可能是什么。他们注意到树木年轮如何记录树龄和气候历史，这激发了他们将奇异变形杆菌年轮用作记录系统的想法。他们还对应用 AI 来表征细菌菌落模式的独特特征感兴趣，他们意识到这种方法可以用来解码工程模式。

“在我们看来，这似乎是一个尚未开发的机会，可以为特定线索创建自然记录系统，”哥伦比亚数据科学研究所(DSI) 的成员 Danino 说。

在一项于5 月 4 日发表在《自然化学生物学》杂志上的新研究中，研究人员对奇异变形杆菌进行了研究，奇异变形杆菌常见于土壤和水中，偶尔也存在于人体肠道中，以其呈靶心状的菌落模式而闻名。 当细菌在装有固体培养基的培养皿中生长时，它们会在细菌生长阶段和细菌运动阶段交替出现，前者形成可见的密集圆圈，后者称为“蜂群”运动，菌落向外扩张。在此处嵌入视频

该团队通过添加合成生物学家所说的“遗传电路”来设计细菌——遗传部分系统，经过逻辑编译以使细菌以所需的方式表现。工程细菌感知研究人员选择的输入的存在——从温度到糖分子再到重金属，如汞和铜——并通过改变它们的集群能力做出反应，这明显改变了输出模式。

与Andrew Laine 、Percy K. 和 Vida LW Hudson生物医学工程教授和 DSI 成员以及哥伦比亚大学欧文医学中心神经生物学助理教授Jia Guo合作，研究人员随后应用了深度学习——一种状态-最先进的人工智能技术——从模式中解码环境，就像科学家观察树干上的年轮以了解其环境的历史一样。他们使用可以对模式进行整体分类的模型来预测，例如样本中的糖浓度，以及可以描绘或“分割”模式内边缘的模型来预测，例如，当菌落生长时温度变化的次数.

使用奇异变形杆菌的一个优势是，与许多典型的工程化细菌模式相比，天然奇异变形杆菌模式肉眼可见，无需昂贵的可视化技术，并形成耐用、易于使用的模型固体琼脂培养基。这些特性增加了将该系统用作各种设置中的传感器读数的可能性。使用深度学习来解释模式可以让研究人员从复杂的模式中提取有关输入分子浓度的信息。

“我们的目标是将该系统开发为一种低成本的检测和记录系统，用于检测环境中的污染物和有毒化合物等情况，”该研究的主要作者、Danino 实验室最近的博士毕业生 Anjali Doshi 说。“据我们所知，这项工作是第一项研究，其中合成生物学家设计了一种自然形成模式的细菌物种，以改变其天然的集群能力和作为传感器的功能。”

这样的工作可以帮助研究人员更好地了解原生模式是如何形成的，除此之外，还可以为传感器领域以外的其他生物技术领域做出贡献。能够将细菌作为一个群体而不是个体来控制，并控制它们在菌落中的运动和组织，可以帮助研究人员构建更大规模的生物材料，并帮助达尼诺实验室实现将细菌设计为“聪明”的平行目标疗法，通过更好地控制体内的细菌行为。

这项工作是构建大型细菌记录器的新方法，扩展了工程紧急微生物行为的框架。该团队接下来计划通过对细菌进行工程改造以检测更广泛的污染物和毒素并将系统转移到安全的“益生菌”细菌来构建他们的系统。最终，他们的目标是开发一种在实验室外应用记录系统的设备。