在生物技术的广阔领域中，无细胞表达系统正逐渐崭露头角，成为推动技术创新的重要平台。它不受限于活细胞环境的复杂性，能够实现高效、可控的生物化学反应，从而极大地促进了新药物、新材料的研发进程。

今天小编和大家分享一篇发表于Life-basel上的一篇名为“Biotechnology Applications of Cell-Free Expression Systems”的文献。该篇文献综述了无细胞表达系统（CFES）在生物技术中的广泛应用，并且特别关注了无细胞蛋白合成（CFPS）的新兴应用。此外，本文还探讨了机器学习在优化CFPS中的应用。

传统上，体内表达平台被用来合成新的与工业相关的蛋白质，并作为基因回路和生物传感器等许多生物技术原型的测试台，但它们受到生长周期的时间限制、稳态考虑因素和生产适应性有限的阻碍。相反，无细胞平台不受支持生命的约束的阻碍，相比传统的体内系统，无细胞平台不受生命维持条件限制，展现出更高的适应性和灵活性，适用于多种生产和检测场景，因此高度适应广泛的生产和测试计划。未来十年，无细胞技术应用预计将迎来爆发式增长，特别是在无细胞蛋白合成方面，将深入探索其在代谢工程、原型设计及生物制造中的应用，并结合机器学习以优化这些过程。简言之，无细胞系统正革新生物技术领域，成为解决现有技术局限性的有力工具。

代谢工程是操纵细胞的遗传和分子过程，以获得对生物功能的洞察力和控制，如酶通路、信号转导和基因表达。自该领域成立以来，一直是利用无细胞系统来进行研究。通过无细胞系统，研究者可以快速原型化新的代谢途径，评估不同代谢酶的性能，优化代谢途径。CFME在无需活细胞支持的情况下，可以方便地调整代谢条件，模拟不同的环境条件，为代谢工程研究提供强有力的支持。最近，无细胞系统代谢工程的新进展促进了裂解物的进一步优化和对酶通路的更大控制。西北大学的Jewett实验室已经证明了酶在裂解之前的过度表达，以及随后在单个裂解物中过度表达的酶的混合。开放式操作允许在基于裂解液的无细胞系统中进行更大程度的定制，允许更广泛的表达范围，并能够通过CFPS控制整个通路。此外，无细胞系统表现出的扩大生产规模、控制反应因子和通过代谢调控产生各种目标蛋白的能力，表明CFPS和CFME比细胞系统更具有优势。

原型设计是一个实验过程，其中测试了一个新的想法、工具或系统。在为大规模生产等工业应用优化生物和生化系统之前，这些系统必须首先在原型阶段得到验证。无细胞表达技术为生物技术原型制作提供了一个理想的平台，可以快速合成和测试基因电路、生物传感器等复杂生物系统，评估其性能，加快研发速度。其在原型空间中具有重要优势，比如：

生物制造是通过生物、生化和化学合成平台生产具有商业价值的化学品和材料的过程。生物制造行业价值的预计增长是向无细胞生产平台过渡。与目前用于生物制造的基于细胞的系统相比，无细胞平台具有许多优势，比如不受生物体内稳态的限制、可操作性更强、生产周期短、效率高等。这些优势表明，无细胞生物制造平台代表了向生产药品、食品和其他工业相关生物分子的更高效和更具成本效益的方向进步。

• 生产单克隆抗体：无细胞平台能够快速、高效地生产单克隆抗体，克服传统细胞培养方法的局限，如周期长、资源消耗大等问题。

• 生产抗菌肽和疫苗：无细胞平台可以有效生产抗菌肽和疫苗等生物活性物质。

• 小分子和膜蛋白：无细胞平台可以表达难表达的蛋白包括小分子药物和膜蛋白。

• 按需生产：无细胞平台非常适合小批量和定制化的生物分子生产，能够满足特殊用途和个体化医疗的需求。

  
  

无细胞平台能够模拟自然条件下的生物合成过程，高效生产天然食品成分，如营养素、功能性食品原料等，满足市场对健康食品的需求。其优点允许生产比基于细胞的系统更大的潜在成分，包括益生菌、益生元、蛋白质、氨基酸、膳食纤维和维生素，并将降低生产这些成分或从天然来源中提取它们的成本和时间。

除了制药和食品行业，化妆品和工业生物分子生产等其他行业也可以从无细胞系统中受益。胶原蛋白及其衍生物在CFPS实验中得到了很好的记录，无细胞平台可以优化生产用于化妆品应用的胶原蛋白。

机器学习（ML）是一种人工智能，它使用数据分析来改进各种不同应用程序的建模方法。较常用的机器学习方法包括人工神经网络、集合学习、多变量统计分析和高斯过程。由机器学习算法优化的CFPS系统的第一个例子是与高通量实验耦合的机器人工作站。这种方法对应于实验的进化设计（Evo-DOE），是基于人工神经网络（ANN）的机器学习算法，该算法预测下一轮实验以改善适应性功能。另外，机器学习算法结合自动化工作站和高通量实验，可以预测下一轮实验的方向，从而提升蛋白质产量并改进系统的其他输出。通过机器学习算法优化能量缓冲液中的组分浓度，可以显著提高荧光报告蛋白的产量，并降低无细胞反应的成本。此外，它还能够在短时间内探索庞大的实验空间，并实现系统的显著优化。总之，无细胞表达系统正在走向工作流程标准化和自动化，通过基于机器学习算法，从而支持高效的系统设计。

图2：涉及机器学习的设计-构建-测试-学习周期

无细胞系统的高效、灵活与低成本特点使其在生物系统工程中的地位日益突出。通过这一系统，研究人员能深入洞察和控制生物分子过程，实时观察并调整反应参数，实现高效的生物传感和制造。同时，结合机器学习技术，无细胞系统的蛋白质产量和原型设计效率得以显著提升。展望未来，无细胞表达系统在医药、生物制造等产业领域的应用前景广阔，有望成为生物技术发展的关键方向。

参考文献：

Brookwell, A., Oza, J. P., & Caschera, F. (2021). Biotechnology Applications of Cell-Free Expression Systems. Life (Basel, Switzerland), 11(12), 1367.