1. 本书立足于人工智能与合成生物学交叉领域，目前尚无此类书籍；
2. 人工智能与合成生物学均为新兴前沿技术，取得了众多颠覆性突破并以成为焦点学科，本书紧贴“生物技术+AI”概念，以系统性学习及科普为目的，读者兴趣感强；
3. 本书编委均在合成生物学或人工智能领域从业多年，具有一定的社会影响力，书中也融入了众位编者多年合成生物学与人工智能领域的科研成果与思考；

本书以人工智能技术在合成生物学领域的理论、方法及应用为主线，详细阐述人工智能在合成生物学不同层面设计中的应用进展，深入讨论人工智能在合成生物学实际应用中面临的挑战与困难。本书先概述合成生物学与人工智能基本概念以及发展简史，然后介绍人工智能技术在生物元件、生物模块、生物系统设计方面的应用，并通过案例展示了人工智能与合成生物学技术在生物医药领域的研究进展，最后分析了人工智能驱动合成生物技术的发展趋势，并讨论了实际应用所面临的挑战和困难，以及展望该交叉领域的未来研究方向。
本书适合作为生物类、计算机类、化工类、环境类、医药专业的本科生及研究生的教学用书，也适合生物、信息、医药、化工、能源、资源和环境等领域的科研人员、程序开发人员参考。

目    录
第1章  合成生物学概述  1
1.1  发展历程  1
1.2  定义与本质  3
1.3  基本原理  4
1.3.1  层级化结构  4
1.3.2  工程化设计  11
1.4  主要技术方法  13
1.4.1  DNA合成  14
1.4.2  DNA测序  14
1.4.3  DNA组装  15
1.4.4  基因编辑  16
1.4.5  定向进化  19
1.5  里程碑成果  20
1.5.1  合成能力飞速发展  21
1.5.2  核心技术不断升级  22
1.5.3  创新应用成果凸显  23
1.6  小结  25
1.7  参考文献  25
第2章  人工智能概述  33
2.1  人工智能的发展历程  33
2.2  机器学习技术  35
2.2.1  集成学习  36
2.2.2  强化学习  37
2.2.3  迁移学习  38
2.2.4  反向传播法  39
2.2.5  损失函数与优化器  40
2.2.6  监督学习、半监督学习和无监督学习  40
2.2.7  机器学习在合成生物学中的应用  41
2.3  机器学习主要算法  42
2.3.1  决策树  42
2.3.2  支持向量机  43
2.3.3  支持向量回归  44
2.3.4  贝叶斯网络  44
2.3.5  K-近邻  45
2.3.6  随机森林  45
2.3.7  梯度提升机  46
2.3.8  XGBoost  46
2.4  深度学习基础  47
2.4.1  深度学习框架  47
2.4.2  神经网络  49
2.5  神经网络模型  51
2.5.1  深度置信网络  51
2.5.2  线性神经网络  52
2.5.3  多层感知器  52
2.5.4  卷积神经网络  53
2.5.5  循环神经网络  54
2.5.6  残差神经网络  55
2.5.7  深度生成模型  56
2.5.8  注意力网络  56
2.6  小结  58
2.7  参考文献  59
第3章  合成生物学中的数学模型  61
3.1  标准定量机制  61
3.2  数学模型  62
3.2.1  米氏方程  63
3.2.2  希尔方程  64
3.2.3  种群生长Logistic模型  65
3.2.4  基因表达的随机模型  66
3.2.5  基因调控网络模型  68
3.3  逻辑拓扑结构  70
3.3.1  简单调控  71
3.3.2  级联  72
3.3.3  前馈  72
3.3.4  反馈  74
3.3.5  单输入模块  75
3.3.6  多输入模块  75
3.4  小结  76
3.5  参考文献  76
第4章  调控元件  79
4.1  调控元件的类型及特点  79
4.1.1  原核生物转录调控元件  80
4.1.2  真核生物转录调控元件  83
4.2  调控元件的人工智能挖掘  87
4.2.1  启动子的挖掘  87
4.2.2  转录因子结合位点的挖掘  89
4.3  调控元件的智能设计  91
4.4  采用人工智能算法所面临的挑战  93
4.4.1  “维度灾难”和类不平衡性  94
4.4.2  数据噪声和异质性  94
4.4.3  模型可解释性  95
4.4.4  网络架构的选择  95
4.4.5  计算资源的消耗  95
4.5  小结  95
4.6  参考文献  96
第5章  蛋白质工程  100
5.1  基本策略  100
5.1.1  定向进化  102
5.1.2  半理性设计  103
5.1.3  从头设计蛋白质  105
5.2  人工智能辅助蛋白质工程策略  106
5.2.1  蛋白质数据集的构建  107
5.2.2  蛋白质的向量表示法  108
5.2.3  模型的选择与构建  109
5.2.4  模型的训练与评估  110
5.2.5  模型的可解释性  111
5.3  人工智能在蛋白质工程中的应用实例  112
5.3.1  人工智能颠覆蛋白质结构预测  112
5.3.2  人工智能指导定向进化策略  115
5.3.3  人工智能驱动蛋白质从头设计  117
5.4  人工智能辅助蛋白质工程应用  118
5.4.1  生物医药与抗体研发  119
5.4.2  生物制造与酶工程  120
5.5  小结  121
5.6  参考文献  121
第6章  基因线路  127
6.1  基因线路设计  128
6.1.1  质粒的设计与构建  129
6.1.2  底盘细胞的选择  132
6.1.3  实验设计工具  132
6.2  基因线路的性能优化与建模策略  133
6.2.1  基因线路的性能优化  134
6.2.2  基因线路设计的建模策略  136
6.3  控制系统理论与设计  137
6.3.1  细胞内控制  137
6.3.2  细胞间控制  138
6.3.3  网络细胞控制  139
6.4  利用人工智能设计基因线路  140
6.5  基因线路的应用  142
6.5.1  在生物传感器中的应用  143
6.5.2  在生物医学领域的应用  143
6.5.3  在DNA计算中的应用  144
6.6  小结  145
6.7  参考文献  145
第7章  生物传感器  152
7.1  全细胞生物传感器  152
7.2  基于双组分系统的生物传感器  153
7.2.1  双组分系统简介  154
7.2.2  双组分系统的效率调控  155
7.2.3  双组分系统的特异性  156
7.2.4  双组分系统在生物传感器中的应用  157
7.3  合成生物学使能的生物传感器  158
7.4  人工智能驱动的生物传感器  160
7.5  智能生物传感器的实例及应用  161
7.5.1  智能生物传感器的应用实例  162
7.5.2  智能生物传感器的应用领域  164
7.6  小结  165
7.7  参考文献  166
第8章  工程化载体  170
8.1  工程化载体概述  170
8.1.1  腺病毒工程化载体  171
8.1.2  腺相关病毒工程化载体  172
8.1.3  逆转录病毒工程化载体  174
8.1.4  慢病毒工程化载体  176
8.2  传统设计策略  178
8.2.1  嵌合病毒工程化载体策略  178
8.2.2  镶嵌病毒工程化载体策略  178
8.2.3  假病毒工程化载体策略  178
8.2.4  利用DNA改组技术形成嵌合体  179
8.3  基于合成生物学的工程化载体设计策略  179
8.3.1  基于合成生物学的工程化载体设计特点  180
8.3.2  基于合成生物学的工程化载体设计策略  183
8.3.3  利用人工智能技术优化改造工程化载体  185
8.4  小结  186
8.5  参考文献  187
第9章  微生物基因组  196
9.1  合成基因组  196
9.1.1  病毒基因组的合成  197
9.1.2  细菌基因组的合成  198
9.1.3  真核细胞基因组的
目    录
第1章  合成生物学概述  1
1.1  发展历程  1
1.2  定义与本质  3
1.3  基本原理  4
1.3.1  层级化结构  4
1.3.2  工程化设计  11
1.4  主要技术方法  13
1.4.1  DNA合成  14
1.4.2  DNA测序  14
1.4.3  DNA组装  15
1.4.4  基因编辑  16
1.4.5  定向进化  19
1.5  里程碑成果  20
1.5.1  合成能力飞速发展  21
1.5.2  核心技术不断升级  22
1.5.3  创新应用成果凸显  23
1.6  小结  25
1.7  参考文献  25
第2章  人工智能概述  33
2.1  人工智能的发展历程  33
2.2  机器学习技术  35
2.2.1  集成学习  36
2.2.2  强化学习  37
2.2.3  迁移学习  38
2.2.4  反向传播法  39
2.2.5  损失函数与优化器  40
2.2.6  监督学习、半监督学习和无监督学习  40
2.2.7  机器学习在合成生物学中的应用  41
2.3  机器学习主要算法  42
2.3.1  决策树  42
2.3.2  支持向量机  43
2.3.3  支持向量回归  44
2.3.4  贝叶斯网络  44
2.3.5  K-近邻  45
2.3.6  随机森林  45
2.3.7  梯度提升机  46
2.3.8  XGBoost  46
2.4  深度学习基础  47
2.4.1  深度学习框架  47
2.4.2  神经网络  49
2.5  神经网络模型  51
2.5.1  深度置信网络  51
2.5.2  线性神经网络  52
2.5.3  多层感知器  52
2.5.4  卷积神经网络  53
2.5.5  循环神经网络  54
2.5.6  残差神经网络  55
2.5.7  深度生成模型  56
2.5.8  注意力网络  56
2.6  小结  58
2.7  参考文献  59
第3章  合成生物学中的数学模型  61
3.1  标准定量机制  61
3.2  数学模型  62
3.2.1  米氏方程  63
3.2.2  希尔方程  64
3.2.3  种群生长Logistic模型  65
3.2.4  基因表达的随机模型  66
3.2.5  基因调控网络模型  68
3.3  逻辑拓扑结构  70
3.3.1  简单调控  71
3.3.2  级联  72
3.3.3  前馈  72
3.3.4  反馈  74
3.3.5  单输入模块  75
3.3.6  多输入模块  75
3.4  小结  76
3.5  参考文献  76
第4章  调控元件  79
4.1  调控元件的类型及特点  79
4.1.1  原核生物转录调控元件  80
4.1.2  真核生物转录调控元件  83
4.2  调控元件的人工智能挖掘  87
4.2.1  启动子的挖掘  87
4.2.2  转录因子结合位点的挖掘  89
4.3  调控元件的智能设计  91
4.4  采用人工智能算法所面临的挑战  93
4.4.1  “维度灾难”和类不平衡性  94
4.4.2  数据噪声和异质性  94
4.4.3  模型可解释性  95
4.4.4  网络架构的选择  95
4.4.5  计算资源的消耗  95
4.5  小结  95
4.6  参考文献  96
第5章  蛋白质工程  100
5.1  基本策略  100
5.1.1  定向进化  102
5.1.2  半理性设计  103
5.1.3  从头设计蛋白质  105
5.2  人工智能辅助蛋白质工程策略  106
5.2.1  蛋白质数据集的构建  107
5.2.2  蛋白质的向量表示法  108
5.2.3  模型的选择与构建  109
5.2.4  模型的训练与评估  110
5.2.5  模型的可解释性  111
5.3  人工智能在蛋白质工程中的应用实例  112
5.3.1  人工智能颠覆蛋白质结构预测  112
5.3.2  人工智能指导定向进化策略  115
5.3.3  人工智能驱动蛋白质从头设计  117
5.4  人工智能辅助蛋白质工程应用  118
5.4.1  生物医药与抗体研发  119
5.4.2  生物制造与酶工程  120
5.5  小结  121
5.6  参考文献  121
第6章  基因线路  127
6.1  基因线路设计  128
6.1.1  质粒的设计与构建  129
6.1.2  底盘细胞的选择  132
6.1.3  实验设计工具  132
6.2  基因线路的性能优化与建模策略  133
6.2.1  基因线路的性能优化  134
6.2.2  基因线路设计的建模策略  136
6.3  控制系统理论与设计  137
6.3.1  细胞内控制  137
6.3.2  细胞间控制  138
6.3.3  网络细胞控制  139
6.4  利用人工智能设计基因线路  140
6.5  基因线路的应用  142
6.5.1  在生物传感器中的应用  143
6.5.2  在生物医学领域的应用  143
6.5.3  在DNA计算中的应用  144
6.6  小结  145
6.7  参考文献  145
第7章  生物传感器  152
7.1  全细胞生物传感器  152
7.2  基于双组分系统的生物传感器  153
7.2.1  双组分系统简介  154
7.2.2  双组分系统的效率调控  155
7.2.3  双组分系统的特异性  156
7.2.4  双组分系统在生物传感器中的应用  157
7.3  合成生物学使能的生物
  传感器  158
7.4  人工智能驱动的生物传感器  160
7.5  智能生物传感器的实例及
  应用  161
7.5.1  智能生物传感器的应用实例  162
7.5.2  智能生物传感器的应用领域  164
7.6  小结  165
7.7  参考文献  166
第8章  工程化载体  170
8.1  工程化载体概述  170
8.1.1  腺病毒工程化载体  171
8.1.2  腺相关病毒工程化载体  172
8.1.3  逆转录病毒工程化载体  174
8.1.4  慢病毒工程化载体  176
8.2  传统设计策略  178
8.2.1  嵌合病毒工程化载体策略  178
8.2.2  镶嵌病毒工程化载体策略  178
8.2.3  假病毒工程化载体策略  178
8.2.4  利用DNA改组技术形成嵌合体  179
8.3  基于合成生物学的工程化载体设计策略  179
8.3.1  基于合成生物学的工程化载体设计特点  180
8.3.2  基于合成生物学的工程化载体设计策略  183
8.3.3  利用人工智能技术优化改造工程化载体  185
8.4  小结  186
8.5  参考文献  187
第9章  微生物基因组  196
9.1  合成基因组  196
9.1.1  病毒基因组的合成  197
9.1.2  细菌基因组的合成  198
9.1.3  真核细胞基因组的合成  199
9.2  最小基因组的设计  199
9.2.1  最小基因组概述  200
9.2.2  最小基因组的构建原理  201
9.2.3  最小基因组构建示例  204
9.2.4  最小基因组构建的阻碍和挑战  205
9.3  人工智能在基因组智能化设计中的应用  206
9.3.1  人工智能辅助染色体完全合成  206
9.3.2  人工智能辅助必需基因发掘  207
9.4  小结  207
9.5  参考文献  208
第10章  代谢工程  212
10.1  代谢工程概述  212
10.2  代谢工程中常见的模式菌株  213
10.2.1  大肠杆菌  214
10.2.2  枯草芽孢杆菌  214
10.2.3  谷氨酸棒状杆菌  214
10.2.4  酿酒酵母  215
10.2.5  其他菌株  217
10.3  代谢途径的改造策略  218
10.3.1  调控元件的改造  218
10.3.2  生物合成途径的重构  220
10.4  代谢工程改造示例  221
10.4.1  光滑念珠菌的代谢工程  222
10.4.2  放线菌属的代谢工程  222
10.4.3  曲霉属的代谢工程  223
10.5  人工智能在代谢工程中的应用  224
10.5.1  人工智能在代谢途径中的设计原理  224
10.5.2  人工智能辅助代谢途径优化  226
10.5.3  人工智能辅助细菌代谢系统的进化预测  227
10.6  小结  227
10.7  参考文献  228
第11章  人工智能在DNA计算及存储中的应用  234
11.1  DNA计算  234
11.1.1  DNA计算原理  235
11.1.2  DNA计算模块  235
11.1.3  DNA计算数字逻辑  237
11.1.4  DNA计算模拟电路  238
11.2  神经拟态计算  239
11.2.1  神经拟态计算概述  240
11.2.2  基于DNA分子的神经拟态计算  242
11.2.3  利用基因线路构建神经拟态计算  243
11.3  DNA存储  246
11.3.1  DNA存储简介  247
11.3.2  DNA存储基本流程  247
11.3.3  DNA存储模式  249
11.4  人工智能在DNA存储中的应用  251
11.5  小结  252
11.6  参考文献  252
第12章  合成生物学与人工智能赋能的生物经济  258
12.1  生物经济概述  258
12.1.1  生物经济的定义  258
12.1.2  生物经济的发展趋势  259
12.1.3  国外生物经济的发展战略  261
12.1.4  国内生物经济的发展战略  265
12.2  合成生物学是生物经济发展的关键驱动因素  266
12.3  人工智能赋能新一代生物经济  269
12.3.1  人工智能推动生物产业的智能化与自动化  269
12.3.2  人工智能助力合成生物学产业—以生物制药业为例  270
12.4  小结  271
12.5  参考文献  271
合成  199
9.2  最小基因组的设计  199
9.2.1  最小基因组概述  200
9.2.2  最小基因组的构建原理  201
9.2.3  最小基因组构建示例  204
9.2.4  最小基因组构建的阻碍和挑战  205
9.3  人工智能在基因组智能化设计中的应用  206
9.3.1  人工智能辅助染色体完全合成  206
9.3.2  人工智能辅助必需基因发掘  207
9.4  小结  207
9.5  参考文献  208
第10章  代谢工程  212
10.1  代谢工程概述  212
10.2  代谢工程中常见的模式菌株  213
10.2.1  大肠杆菌  214
10.2.2  枯草芽孢杆菌  214
10.2.3  谷氨酸棒状杆菌  214
10.2.4  酿酒酵母  215
10.2.5  其他菌株  217
10.3  代谢途径的改造策略  218
10.3.1  调控元件的改造  218
10.3.2  生物合成途径的重构  220
10.4  代谢工程改造示例  221
10.4.1  光滑念珠菌的代谢工程  222
10.4.2  放线菌属的代谢工程  222
10.4.3  曲霉属的代谢工程  223
10.5  人工智能在代谢工程中的应用  224
10.5.1  人工智能在代谢途径中的设计原理  224
10.5.2  人工智能辅助代谢途径优化  226
10.5.3  人工智能辅助细菌代谢系统的进化预测  227
10.6  小结  227
10.7  参考文献  228
第11章  人工智能在DNA计算及存储中的应用  234
11.1  DNA计算  234
11.1.1  DNA计算原理  235
11.1.2  DNA计算模块  235
11.1.3  DNA计算数字逻辑  237
11.1.4  DNA计算模拟电路  238
11.2  神经拟态计算  239
11.2.1  神经拟态计算概述  240
11.2.2  基于DNA分子的神经拟态计算  242
11.2.3  利用基因线路构建神经拟态计算  243
11.3  DNA存储  246
11.3.1  DNA存储简介  247
11.3.2  DNA存储基本流程  247
11.3.3  DNA存储模式  249
11.4  人工智能在DNA存储中的应用  251
11.5  小结  252
11.6  参考文献  252
第12章  合成生物学与人工智能赋能的生物经济  258
12.1  生物经济概述  258
12.1.1  生物经济的定义  258
12.1.2  生物经济的发展趋势  259
12.1.3  国外生物经济的发展战略  261
12.1.4  国内生物经济的发展战略  265
12.2  合成生物学是生物经济发展的关键驱动因素  266
12.3  人工智能赋能新一代生物经济  269
12.3.1  人工智能推动生物产业的智能化与自动化  269
12.3.2  人工智能助力合成生物学
产业—以生物制药业为例  270
12.4  小结  271
12.5  参考文献  271