- 28 次围观
微生物培养优化仍然劳动密集且效率低下，需要通过大量实验筛选来识别合适的生长条件。传统的单因素逐次实验方法在探索复杂、多维营养参数空间方面尤其低效。 我们提出了 MicroGrowAgents，这是一种由人工智能驱动的基于智能体的系统，通过整合知识图谱、代谢建模和最优实验设计，实现优化生长培养基设计的自动化。该系统采用了 28 个专门化智能体和 50 项技能，用于查询结构化生物学知识（KG-Microbe：864,363 个经验证物种）、挖掘文献证据（245 余篇论文）、执行基因组引导设计（57 个基因组，667,000 余个注释特征），并利用 MaxPro 算法生成统计学上最优的实验设计。 我们将该方法应用于 Methylorubrum extorquens AM1，通过四重复培养 70 种设计条件，并评估三个并行目标：生物量（740 nm 处的 OD600）、氧化还原活性（Abs590 Biolog 代理指标）以及镧系元素摄取（通过 arsenazo III 测定的残余 Nd）。对重复水平不确定性进行蒙特卡罗重采样（1000 次迭代）后，识别出一种稳定的帕累托最优培养基 MPOB_058（成员频率 0.99），以及两个临界候选和六个低频出现候选，从而为后续设计—构建—测试—学习循环提供了稳健的锚定集合。 化学相似性检索（208,000 余个嵌入）、代谢缺口分析和多模态推理的整合，使基于证据的假设生成成为可能，在加速发现促进生长条件的同时降低了实验负担。MicroGrowAgents 提供了包含密码学校验和的完整溯源追踪，以及 90.5% 的文献引文覆盖率，推进了可复现、数据驱动的微生物培养研究方法。
微生物培养优化仍然是一项劳动密集且效率低下的工作，需要通过大量实验筛选来确定合适的生长条件。传统的单因素逐次分析方法在探索复杂、多维营养参数空间时尤其低效。我们提出了 MicroGrowAgents，这是一种由人工智能驱动的基于智能体的系统，通过整合知识图谱、代谢建模和最优实验设计，实现优化生长培养基设计的自动化。该系统采用了 28 个专用智能体和 50 项技能，可查询结构化生物学知识（KG-Microbe：864,363 个经验证物种）、挖掘文献证据（245 余篇论文）、执行基因组引导设计（57 个基因组，667,000 余个注释特征），并利用 MaxPro 算法生成统计学最优实验设计。
我们将该方法应用于 Methylorubrum extorquens AM1，通过对 70 种设计条件进行四次重复培养，并评估三个并行目标：生物量（740 nm 下的 OD600）、氧化还原活性（Abs590 Biolog 代理指标）和镧系元素摄取（通过 arsenazo III 测定的残余 Nd）。对重复水平不确定性进行蒙特卡洛重采样（1000 次迭代）后，识别出一种稳定的帕累托最优培养基 MPOB_058（成员频率 0.99），以及两个临界候选和六个罕见出现者，从而为后续设计—构建—测试—学习迭代提供了稳健的锚定集合。化学相似性检索（208,000 余个嵌入向量）、代谢缺口分析和多模态推理的整合，使基于证据的假设生成成为可能，从而在加速发现促进生长条件的同时降低实验负担。MicroGrowAgents 提供了完整的来源追踪、密码学校验和以及 90.5% 的文献引用覆盖率，推动了微生物培养中可复现、数据驱动方法的发展。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.04.729985v1?rss=1
🏷️ 微生物培养优化 智能体人工智能 知识图谱 代谢建模 最优实验设计 培养基设计