《Biotechnology Advances》：Engineering synthetic biology sensors with artificial intelligence: From programmable circuits to next-generation biosensing
编辑推荐：
人工智能与合成生物学融合驱动的生物传感器技术突破与应用路径
Kuan Chang|Jiadi Sun|Qi Bao|Xuran Fu|Jianfeng Ping|Bingqian Yu|Xiaojun Wu|Xiaoning Song|Jingwen Zhou|Jia-sheng Wang|Xiulan Sun
江南大学食品科学与技术学院，食品安全国际联合实验室，食品安全与质量控制协同创新中心，中国无锡214122
摘要
人工智能（AI）正在推动合成生物学生物传感器（SBBs）的发展，促使设计方式从理性设计向AI驱动的预测转变。本综述建立了一个系统框架，将AI算法与设计-构建-测试-学习（DBTL）循环联系起来。我们明确分析了基于AI的细胞生物传感器和AI优化的无细胞生物传感器的工程范式，强调了计算智能如何解决平台特定的瓶颈问题。关键在于，我们将AI驱动的工作流程归纳为三个核心领域：AI引导的稳健传感器元件设计、AI辅助的信号处理以实现精确的性能表征，以及AI驱动的闭环优化以加速自主进化。此外，还研究了SBBs在多污染物环境检测、连续生物标志物监测、食品安全追踪和智能生物制造等领域的应用。除了成果之外，我们还批判性地评估了未解决的障碍，特别是“现实差距”和“小数据困境”。最后，我们提出了一条以生物数字混合接口、可解释AI和数据标准化为中心的路线图，以加速SBBs向稳健、可现场部署的智能传感系统的转变。
引言
生物传感器是一种分析设备，它将生物识别元件与换能器结合在一起，用于检测和量化特定目标分析物。通过生物分子（如酶、抗体或核酸）与其特定目标之间的独特相互作用，将生物反应转换为可测量的信号，从而实现选择性和灵敏的检测（Atkinson等人，2022；Gao等人，2016）。传统的检测方法，如分光光度法、色谱法和质谱法，通常需要复杂的样品制备、昂贵的设备和高度熟练的操作人员，这限制了它们在实时和现场应用中的适用性。此外，传统方法通常耗时较长，尤其是在检测复杂样品中的低浓度目标分析物时，使得过程繁琐且效率低下（Sarvin等人，2020）。相比之下，生物传感器的实时分析能力、便携性和低成本操作使它们成为多个领域不可或缺的工具。与传统分析仪器不同，生物传感器能够进行现场实时快速检测。因此，它们被广泛应用于环境监测、人类健康和医学诊断、食品安全风险识别和追溯性以及生物制造和工业优化等领域（Yuan等人，2025）。例如，血糖传感器利用葡萄糖氧化酶产生的电流信号来实时测量血糖浓度（Yang等人，2022；Yao等人，2021）。病原体检测系统提高了食品安全领域的检测速度和准确性（Kovac等人，2017；Yi等人，2023）。然而，生物传感器的性能依赖于生物识别元件和换能器的精心选择，这些元件必须具有高亲和力和稳定性，以确保准确和一致的结果（Cesewski和Johnson，2020；Rai等人，2024）。传统的生物传感器往往受到使用天然生物材料作为识别元件的限制。这些材料，如天然酶、抗体或核酸，容易受到温度、pH值和化学干扰等环境因素的影响，从而降低其稳定性和性能（Negahdary和Angnes，2022）。此外，传统生物传感器可能难以在复杂或具有挑战性的环境中检测更广泛的分析物。因此，需要持续发展和整合新技术来提高生物传感器的性能，并使其适应现代智能检测不断变化的需求。
合成生物学的整合改变了生物传感器的设计和性能。合成生物学是一个跨学科领域，它结合了分子生物学、基因工程和系统生物学，用于设计和构建新的生物组件、设备和系统（Rasor和Erb，2025）。与传统生物传感技术不同，合成生物学能够设计生物组件（如酶、核酸和微生物）来执行特定任务。这种能力增强了传感器的功能性、稳定性和多功能性，克服了传统生物传感器的许多限制（De Paepe和De Mey，2025）。例如，合成生物学为生物传感器提供了多样化的模块化组件，包括基因电路、调控元件和工程蛋白等功能元件（Saha等人，2023）。此外，通过修改调控基因序列，研究人员可以设计出对目标分子作出反应并触发信号输出（如荧光或颜色变化）的特定基因电路（Greenwald等人，2018）。此外，模块化设计便于灵活组合不同的功能单元，使传感器能够同时检测多个目标或实现信号放大和整合（Chen等人，2023；Hirschi等人，2022）。此外，合成生物学还催生了两种类型的检测平台：基于细胞的和无细胞的。基于细胞的生物传感器利用活细胞的生物代谢网络和自然环境响应机制来检测化学物质或生物分子的存在。然而，基于细胞的系统的稳定性和复杂性限制了其更广泛的应用（An等人，2023）。而无细胞生物传感器则利用细胞提取物或纯化的生物组件来构建传感平台，克服了细胞生长和维护的挑战。这些传感器能够在极端条件下工作，如高盐浓度或极端pH值，表现出稳定性和适应性（Jakobus等人，2011；Rivnay等人，2025）。尽管取得了这些进展，但在合成生物学生物传感器（SBBs）的应用中仍存在挑战，例如设计生物系统的复杂性、工程成本高昂以及需要高效处理和分析高通量实时数据。
人工智能（AI）的进步，特别是在机器学习（ML）和深度学习（DL）领域，为SBBs的发展开辟了新的途径（Horejs，2023；Medany等人，2024）。AI处理大规模数据、识别模式和优化复杂系统的能力拓宽了这些传感器的潜在应用范围（Duan等人，2025）。传统的生物传感器通常依赖于固定的、预定义的模型和简单的算法，这限制了它们在动态环境或处理复杂数据集时的性能（Song等人，2023）。相比之下，在SBBs的设计阶段，AI可以优化体外传感器构建的基因电路结构和参数，预测生物分子与各种底物的相互作用，并创建能够高效检测极低浓度目标分析物的传感器（Wan等人，2024）。此外，通过迭代学习，AI可以根据实际数据不断改进传感器的性能，提高其灵敏度和选择性（Zhang等人，2023）。另外，在数据处理方面，AI算法能够实现实时分析和传感器信号响应的反馈，有助于快速识别目标物质。这种实时数据分析的能力还使得开发预测模型成为可能，这些模型可以预测不同条件下的传感器性能，从而提高稳定性和可靠性（Ding等人，2021）。此外，AI辅助的高通量筛选（HTS）用于系统性能优化，加速了新型传感器的开发（Yang等人，2021）。特别是在环境监测、人类健康和医学诊断、食品安全风险识别和追溯性以及生物制造和工业优化等领域，AI驱动的SBBs提供了高效和智能的解决方案，为现代检测技术注入了创新。
总之，合成生物学和AI的协同整合推动了生物传感技术的重大进展。与以往主要列举广泛应用或孤立AI算法的综述不同，本综述建立了一个系统的工程框架，阐明了AI如何推动合成生物传感系统从试错组装向精确的数据驱动进化。我们明确分析了工程范式的转变，并指出了算法如何解决平台特定的瓶颈问题。特别是，我们关注于分离基于细胞的传感器中的生理噪声和优化无细胞系统中的高维化学计量比。这一分析的核心是对设计-构建-测试-学习（DBTL）循环的全面剖析。我们强调了关键机制，包括AI引导的生物传感器组件设计和构建、基于ML的信号处理和性能表征，以及基于DL的闭环优化。这种以机制为导向的视角为在环境监测、人类健康和医学诊断、食品安全风险识别和追溯性以及生物制造和工业优化等关键领域推进SBBs提供了基础逻辑（图1a）。通过将这些技术进步与对障碍（特别是“现实差距”和数据标准化）的批判性评估相结合，我们为生物数字混合接口提出了一条路线图。这为开发下一代稳健、可现场部署的智能传感架构提供了可行的见解。
章节摘录
生物传感器的工程范式：数据驱动的转型
SBBs整合了模块化的生物组件，如转录因子（TFs）和基因电路，以高特异性检测分析物。然而，传统工程常常受到生物环境复杂性和组件之间非线性相互作用的限制，导致DBTL周期延长。本节概述了从手动理性组装到AI驱动预测的设计方法演变过程。
在生物传感器设计-构建-测试-学习周期中应用AI
将AI整合到生物传感器工程生命周期中，将传统的试错方法转变为数据驱动的、预测性的工作流程。本节系统地探讨了AI算法如何增强DBTL循环的每个阶段，以解决特定的性能瓶颈（表1）。
不同领域中的AI驱动生物传感器
AI与SBBs的整合正在快速扩展生物传感的应用范围和广度。AI强大的数据分析、模式识别和预测能力提高了生物传感器的性能和智能性，使它们能够在包括环境监测、人类健康和医学诊断、食品安全风险识别和追溯性以及生物制造和工业优化在内的广泛领域中使用（图4）。
结论、挑战与展望
本综述系统地阐明了SBBs的转变，展示了AI如何将其工程从试错组装转变为机制驱动的、预测性的学科。通过将AI算法映射到DBTL循环中，我们强调了计算智能如何解决根本的平台特定瓶颈问题：从分离基于细胞系统中的生理噪声到优化无细胞架构中的高维化学计量比。这些进步促进了
资助
本工作得到了国家自然科学基金（32125031）、国家重点研发计划（2023YFF1105100）、江苏省青蓝计划、中央高校基本科研业务费（JUSRP222001）以及江南大学食品安全与质量控制协同创新中心的支持。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
