DRUGONE
生物分子网络支撑着大量天然生物过程和工程化细胞功能,从细胞内调控、群体动力学到生物制造、智能治疗和细胞诊断系统,都依赖复杂的化学反应网络(chemical reaction networks,CRNs)。然而,从预期动态行为出发,反向寻找能够实现目标功能的网络结构和动力学参数仍然十分困难,因为候选拓扑数量呈组合爆炸式增长,而反应动力学往往又具有强非线性甚至随机性。
研究人员提出 GenAI-Net,一种用于自动化设计输入–输出化学反应网络的生成式人工智能框架。与直接预测某个固定网络性能不同,GenAI-Net 将人工智能智能体嵌入设计闭环:智能体提出候选反应网络,通过动力学模拟评估其是否满足用户指定的目标,再将评估结果反馈给生成策略,从而持续优化网络拓扑和动力学参数。这里的“生成式人工智能”并非指大语言模型或扩散模型,而是指学习一个关于结构化化学反应网络的概率分布,并从中持续生成新的网络候选。
研究人员将该框架应用于多种具有代表性的生物分子动态任务,包括剂量–响应曲线设计、鲁棒完美适应、随机噪声抑制、细胞命运分类、复杂逻辑门、固定中心振荡器以及输入可调频率振荡器等。结果显示,GenAI-Net 能够在同一目标下生成大量拓扑不同但功能相近的高性能网络,同时揭示反复出现的反应模块和潜在设计原则,为从“功能需求”直接走向“可实现反应机制”提供了一种通用自动化路径。

随着基因编辑和 DNA 合成技术的发展,设计具有特定功能的工程细胞正在逐步从概念验证走向实际应用。然而,与电子电路相比,生物分子电路具有更强的非线性、随机性和非模块化特征,其功能不仅取决于有哪些反应,还取决于反应速率、分子浓度以及外部输入之间的复杂耦合。因此,即使目标功能十分明确,如何设计出实现这一功能的最简、稳定且可实施网络,仍然高度依赖人工经验和反复试错。
过去的合成生物学已经发展出振荡器、双稳态开关、积分反馈控制器和逻辑电路等经典设计。控制理论也帮助研究人员构建能够维持稳态、抑制扰动和改善动态响应的生物分子控制器。但当任务扩展到复杂逻辑、分类、频率调节或多目标动态行为时,人工推导网络结构迅速变得困难。已有自动化方法包括穷举搜索、进化算法、树搜索、贝叶斯优化以及深度生成模型等,但通常受限于任务类型、网络规模或搜索效率。
这一问题本质上具有明显的“正向–反向不对称性”:给定一个候选网络,可以通过模拟判断它能否完成任务;但从目标行为反推出网络结构却非常困难。GenAI-Net 正是利用这种不对称,将快速模拟作为评价器,将生成式强化学习作为反向设计工具,在大规模拓扑和参数空间中不断搜索高质量候选。

图1|GenAI-Net总体框架及从用户功能需求到候选化学反应网络生成的闭环设计流程。
方法
GenAI-Net 将每个设计表示为输入–输出化学反应网络。用户首先定义分子种类、输入信号、输出分子、动力学类型以及允许使用的反应库,并给出希望系统实现的行为,例如稳态跟踪、逻辑运算或周期振荡。模型从一个初始网络开始逐步添加反应。当前网络首先被转换为固定长度的结构化表示,其中编码每个反应是否存在、对应动力学参数以及输入调控关系。随后,策略网络根据这一表示决定下一步加入哪一个反应以及其参数。完整网络生成后,通过确定性或随机动力学模拟获得时间轨迹,并根据任务目标计算性能损失。
策略模型同时包含结构分支和参数分支:前者决定离散的反应类型,后者生成连续动力学参数。训练过程中采用偏向高性能候选的风险敏感强化学习,并引入熵正则促进拓扑和参数探索,同时利用“名人堂”保存历史上最优的网络,通过自模仿学习避免优秀解被后续训练遗忘。由此,GenAI-Net 不只是寻找单一最优网络,而是学习一个能够持续生成多种高性能设计的概率策略。

图2|GenAI-Net强化学习设计循环、网络表示方式以及结构与参数联合生成策略。
结果
自动生成目标剂量–响应网络
研究人员首先评估 GenAI-Net 是否能够根据目标剂量–响应曲线自动寻找对应反应网络。在仅含3种分子并允许额外添加5个反应的情况下,候选网络数量已经超过3000万种,若进一步考虑反应速率参数,实际搜索空间更为巨大。
尽管如此,GenAI-Net 仍然能够针对 Hill 型、超敏型和非单调双相响应分别找到超过40种拓扑不同的高性能网络。这些候选不仅在稳态下逼近目标曲线,而且具有较平滑、快速收敛的瞬态动力学。训练过程呈现探索与利用的动态平衡:当找到优质网络时,策略集中采样已有高性能区域;当性能进入平台期时,熵增加并推动模型探索新的拓扑。
结果还表明,允许添加更多反应通常可以提高最佳设计性能,但同时增加网络复杂度。因此,反应数量本身可以作为一个直接的设计控制参数,用于在电路简洁性和功能精度之间进行权衡。

图3|GenAI-Net生成Hill型、超敏型和双相剂量–响应网络及其拓扑多样性。
自动发现鲁棒完美适应控制器
随后,研究人员要求 GenAI-Net 设计能够实现鲁棒完美适应的分子控制器,即无论持续扰动如何变化,输出最终都能精确回到指定稳态。模型从极简控制网络出发,在多个设定值和扰动强度下同时优化动态响应。
在包含一个过程变量和两个控制分子的设置中,GenAI-Net 找到了100个拓扑不同的高性能网络。值得注意的是,高性能网络频繁出现控制领域已知的拮抗积分反馈型反应,但同时还自动发现了不同的感知和执行方式。例如,部分网络利用分子转换直接感知输出,而另一些结构则将比较和执行过程融合到同一反应中。
当初始控制器进一步简化为仅一个控制分子时,模型仍能找到9种不同网络,其中一个紧凑结构通过单一分子转换同时承担感知和执行功能。这种结构功能上接近自催化积分控制,但不再要求传统的“感知–计算–执行”模块彼此独立,说明自动化搜索可以发现人工模块化思维之外的非模块化解决方案。

图4|GenAI-Net自动生成鲁棒完美适应控制器及其代表性反应机制。
在随机系统中同时实现适应和噪声抑制
细胞内分子数较低时,随机涨落会显著影响网络行为,因此研究人员进一步要求模型在实现鲁棒完美适应的同时降低输出噪声。GenAI-Net 在随机化学动力学条件下生成了超过40种不同控制器。这些网络不仅能够在不同扰动条件下保持正确的平均稳态,而且输出变异系数持续低于开放环系统的泊松噪声水平。
生成网络中反复出现转换式感知、比较–执行耦合反应以及输出负自调节。传统拮抗积分反馈虽然能够实现稳态适应,却可能放大噪声,而 GenAI-Net 通过自动组合额外反馈结构,同时优化稳态、瞬态和随机波动三个目标,从而得到新的噪声抑制方案。

图5|随机动力学条件下兼具鲁棒完美适应和噪声抑制能力的生成网络。
从初始状态自动设计细胞命运分类器
GenAI-Net 还被用于设计根据初始状态决定最终命运的双稳态分子网络。在包含两个分子的系统中,如果初始时第一种分子占优势,网络需最终进入一种稳态;若第二种分子占优势,则进入另一稳态。
模型成功生成超过40种拓扑不同的分类网络,大多数初始条件在较短时间内即可收敛到正确吸引子。不同高性能结构之间存在共同机制:两条分别控制两个分子的调节支路通过强分子截留反应相互竞争,从而快速压低非优势分子,同时通过自调节稳定优势分子的稳态水平。
进一步在训练中从未出现的初始条件上测试后,这些网络仍能够较好维持原有决策边界,说明所学结构并非简单记忆少量离散训练状态,而是在一定程度上形成了可泛化的动力学吸引域。

图6|根据初始条件执行细胞命运决策的分子分类器及其未见初始状态泛化结果。
自动构建复杂四输入逻辑电路
研究人员随后设计了一个不可约四输入布尔任务,要求网络根据4个外部信号计算复杂组合逻辑。GenAI-Net 在允许增加6个反应时找到29种高性能网络,其输出能够在全部16种输入组合下清晰区分高低数字状态。
这些网络通常利用输入分子之间的直接或催化转换实现逻辑“与”操作,再通过额外降解和分子互转限制高状态幅度,使多个满足条件的输入组合最终输出都稳定在接近相同的数字高值。当允许的反应数量减少时,网络依然能够完成分类,但更容易出现输出过冲,揭示了网络复杂度与数字输出稳定性之间的权衡。

图7|GenAI-Net自动发现的四输入复杂生物分子逻辑电路及真值表表现。
生成具有指定中心的分子振荡器
对于动态行为更复杂的振荡任务,GenAI-Net 同样能够从简单的三分子网络出发自动生成周期系统。研究人员首先要求输出围绕固定目标均值持续振荡,模型最终发现超过100种拓扑不同的高性能振荡网络,其平均输出高度集中于目标中心。
网络结构分析发现,两个分子之间的截留反应频繁出现在优秀振荡器中,提示这种反应可能是维持稳定周期行为的重要结构机制。由于类似截留过程也存在于天然昼夜节律系统中,这种自动搜索不仅提供候选电路,还能够从大量结果中反推出具有生物学意义的反应模式。

图8|具有固定振荡中心的分子振荡网络及其拓扑多样性。
自动设计输入可调频率振荡器
研究人员最后要求外部输入直接控制振荡频率。GenAI-Net 针对3个指定目标周期生成了超过60种高性能网络,不同输入条件下的傅里叶频谱峰值能够准确对应目标频率。
更重要的是,设计阶段只使用少量离散频率,而后续在100个连续输入频率上测试时,许多生成网络仍表现出近似线性的输入–输出频率关系。换言之,这些网络并非只针对训练中的几个频率“硬编码”,而是学习到了可连续调节的振荡动力学。
与现有进化搜索、树搜索以及随机搜索方法比较时,GenAI-Net 在匹配计算预算下通常更快降低最优损失,并能够在限制网络规模的情况下获得更好的候选。

图9|外部输入可连续调节频率的分子振荡器及其未见频率泛化能力。
讨论
GenAI-Net 的核心意义并不在于为某一种特定生物电路提供更好的优化器,而是建立了一种通用的“功能到机制”反向设计框架。用户只需定义化学环境、反应库、输入输出关系以及目标行为,智能体即可在反应拓扑和连续动力学参数构成的巨大组合空间中生成大量候选。不同于仅输出单一最优结构的方法,GenAI-Net 保留拓扑多样性,使研究人员能够进一步根据复杂度、性能和实验可实现性选择最终方案。
这些结果还表明,生成式搜索具有发现机制的能力。模型在没有显式编码经典控制理论结构的情况下,重新发现了与拮抗积分反馈、自催化积分调控和分子截留有关的设计原则,同时也产生了将感知、比较和执行合并到单一反应中的非传统结构。因此,这类人工智能工具不仅可以加速工程设计,也可能成为研究天然生物网络设计规律的一种计算手段。
当前方法仍存在几个限制。首先,训练需要大量动力学模拟,随机网络尤其消耗计算资源;例如随机鲁棒适应任务的训练需要约20小时。其次,当前动力学参数主要作为数学上的连续变量优化,尚未充分约束真实实验中的参数范围,因此高性能网络不一定都能够直接在细胞中实现。未来可加入实验测量范围、反应可实现性和资源负担等约束,并通过更先进的生成模型、强化学习算法和分布式计算提高效率。
总体而言,GenAI-Net 将强化学习、生成式搜索和动力学模拟整合为一个可扩展的分子网络自动设计平台,使研究者能够直接从高层功能需求生成多种可解释的反应机制。随着实验约束和细胞环境被进一步纳入设计循环,这种方法有望推动合成生物学从依赖人工构思的电路设计,逐步走向可编程、自动化的分子工程。
整理 | DrugOne团队
参考资料
Maurice Filo et al. ,GenAI-Net: A generative AI framework for automated biomolecular network design.Sci. Adv.12,eaeh8819(2026).
DOI:10.1126/sciadv.aeh8819

内容为【DrugOne】公众号原创|转载请注明来源
内容中包含的图片若涉及版权问题,请及时与我们联系删除



评论
沙发等你来抢