行业动态

图丨左：刘陈立，中国科学院深圳先进技术研究院副院长；右，张岚，DeepTech 联合创始人兼 COO

自 2004 年入选《麻省理工科技评论》“十大突破性技术”以来，合成生物学因其以工程学理念来研究和应用生命科学的愿景，让无数科学家着迷，更有望为人类社会带来颠覆性的变革。在深圳市对合成生物领域的前瞻布局与大力支持下，2019 年，深圳合成生物学创新研究院由深圳市科创委批复、中国科学院深圳先进技术研究院牵头建立，被视为中国及亚洲、乃至全球合成生物学创新发现的重镇之一。合成生物学的最新进展如何？成果转化的道路面临着哪些机会和挑战？这一领域下的 AI for Science 如何实现？为了探求合成生物领域的发展前沿，尤其是创新与产业化的融合未来，DeepTech 此次邀请到中国科学院深圳先进技术研究院副院长、深圳合成生物学创新研究院院长刘陈立，一起聊一聊关于合成生物学科与产业化的发展趋势。

张岚：从您回国、我们认识之后，合成生物学现在的“温度”与我们当时对话的时候已经完全不一样了。那么，从您回来之后的这几年来看，对于合成生物学的整体发展，不论是科研还是产业的支持方面，您有什么总体的感受吗？

刘陈立：我觉得现在合成生物学整体来讲还处在一个早期阶段，无论是在科研上还是产业上。（这个）早期阶段体现出几个特点：一是在科研端。合成生物学作为一个新兴的交叉学科，它本身学科的构建、底层的理论，包括教育的体系，都在搭建的过程中，都还没有正式形成。它与其他学科之间的边界，目前大家也还在探讨。

产业（端）也是。可以看到，很多原来生物工程或者说代谢工程的企业，现在都自称是合成生物学（企业）。这是一个非常好的现象，说明大家都比较（能够）接受合成生物学这样的一个学科，（有了）从科学、技术、工程到产业这样的一个理念。但同时这也带来一个新的问题，（也就是）良莠不齐，大家经常会有这样的疑问：你（这家企业）是合成生物企业吗？

另外一点就是资本的进入。（资本）进入到合成生物产业赛道，就说明不同方面的力量都在关注这样的一个领域和学科。从长远来看，它是能够加速这个学科的成熟，以及帮助这个产业的成熟与发展的。

张岚：您刚刚提到了学科的建设、教育底座的建设、学科的边界、产业的发展，以及资本（的介入）。不知道刘院您怎么看，其实不同的技术在走进产业的过程中，速度都不一样。那么，相对于其他学科，合成生物（在这方面）起步的速度会更快、更强吗？您有这样的感受么？

刘陈立：我觉得，这一点得益于这个学科给人的这种愿景，因为它是用工程学的理念来研究和应用生命科学的。生命科学本身的出发点就是去理解生命本身，去理解大自然，但是工程学是要去改造、创造，然后去应用。生命科学发展了这么久，合成生物学的出现是以一个全新的姿态来看生命科学。我们现在对生命科学的理解，已经可以让我们做一些改造甚至是创造，然后用在方方面面了。它的这种愿景，让不同的学科，以及刚才说的各个方面都感到很兴奋，因为它带来的希望非常大。在过去的几百年中，我们整个人类社会的进步、经济的发展都是物理世界或者物理学这个学科发展带来的变化，几次工业革命都是这样过来的。而当你能用工程学的视角去看生命科学的时候，它就给人这样一种希望，也即生命科学是不是也可以（有自己的）工业革命。

合成生物学自身的学科特性，让大家有这样的一个愿景，也就是合成生物学的发展有可能让生命科学带来人类社会的一次新的工业革命。所以，（它就成为了）大家都很愿意投入其中，包括我们自己也都很愿意去发展的一个学科方向。

张岚：这个话题正好请教一下刘院。就成果转化而言，其实目前院里很多老师已经在做产业化的事情了。这个学科本身也才 20 年（历史），现在很多老师回来，一边做着科研，一边开始做一些产业化合作，包括运作公司等。有没有什么成果可以与大家分享一下？

刘陈立：我们院的成果转化做得还是比较早的。从 2006 年先进院建院以来，（我们）一直在做产业服务，从服务产业、做工程，走向工程背后技术的开发，再走向技术背后科学的探索，现在走向教育，整个先进院 17 年来就是这样的一个发展过程。在这个过程中，我们孵化了 1800 多家企业，参股的有 300 多家，很多不是参股的。在这个过程中，也有很多的、关于科技成果如何转化的经验和教训。所以，我们现在提的、很重要的一点就是，在科技成果踏出去的那一步，其实要做蛮多的提前量工作，一旦踏出去之后进到市场，产业化过程面临的挑战就很大了。所以，踏出去这一步，首先是公司的组建，所选的合伙人、投资方是不是最有利于公司发展的，这个组合是不是最好的，这第一步特别重要。很多项目可能技术很好，但是投资方不是特别理解这个领域或者产业，到后面的话（动作）就会变形，慢慢地就走偏了。

还有一点，就是谁来 run（运营）这个公司，也就是 CEO 的选择，或者说运营团队的选择，这一点也特别重要。很多（公司）也是可能技术很好，但是运营团队没有选择好。这就引出来两个需求：一是对投资方的要求，就是说（投资方）至少需要是深耕这个领域的，对这个方向是理解的，是足够专业的，除了投资以外还可以在其他方面（进行）赋能的，能帮着这个公司往前发展的。（从）投资的那一刻开始，后面就是（投资方）伴随着公司一起成长，这是一个诉求。

另外一个诉求就是经营团队。经营团队是目前的刚需，因为现在特别缺，国内缺少这样的一个职业经理人的池子。（合适的团队）很少、很难找，特别是新的产业更加找不到，因为原本国内做这个的就少，再加上做过（有经验）再回来创业的就更少了。所以，这一点目前是一个挺大的挑战。

还有一个方面，就是技术本身。从技术本身来说，有很多很有转化前景的技术，但可能并没有被拿出来转化，这一点与实验室的特点有关。实验室可能就发表了文章，项目结了题就结束了，他们就没有想过产业转化的事情，而这个技术可能恰恰有很好的产业转化前景。因此，（我们）这边现在也在做梳理，要形成先进院自己的一张产业转化图谱，包含不同的方向。我们现在有 8 个研究所，每个研究所对应的是不同的赛道，从 IT 到 BT 再到 IT 和 BT 的融合，其所对应的产业现状以及技术要做产业转化的方式都有所不同。我们要做的梳理，就是看哪些技术 ready to go（准备好）了，整体看 8 个研究所在不同的时间上哪些技术快要成熟了，将转化变成一张图。

我们现在提的是，从原来自下而上的、自发的这种转化方式，也就是老师、教授自己想去转化，自己去找投资人，自己去找运营团队的这种方式，也就是刚才说了存在很多挑战的方式，慢慢地与自上而下的转化方式结合在一起。自上而下，就是从先进院内部去梳理哪些（项目）是待转化的，哪些（项目）确实是非常有前景的，（并针对）有价值的转化项目去主动地做协调、对接，包括投资人、运营队伍等。我们现在也是刚刚开始做，还有很多要去探索的，特别是经营团队这一块比较难。目前来讲，一些比较头部的资本有着比较好的 HR，能够帮忙找人，但很多资本其实比较缺这一块，于是基本上还是要求你自己去找人，你把人找好了，把这个队伍攒得差不多了，技术可以了，然后（资本）再投。这种做法对于投资人来讲是无可厚非的，但是对于我们国家来讲，科技成果做出来，如果要实现转化的话，就需要多方面来赋能。

张岚：最近 AI for Science 这个话题非常火。我今天早上读到一本书，讲的是之后大国之间的竞争，一定会在计算这个方向上。目前 AI 在合成生物这个方向上，不论是院里还是您自己都已经有了一些课题，您是怎么看待它的空间和机会的呢？

刘陈立：现在大家讨论得很多，不同的领域、不同的方向都在讨论 AI for Science。对我们来讲，主要是讨论 AI for Life Science，比如 AlphaFold2, ChatGPT 出来之后，给各个领域的人的冲击还是很大的，就觉得应该要抓住技术发展的浪潮，去赋能你的研究方向。从合成生物学的角度来说，到现在 20 多年（的发展），我们现在的认知是想要对生命体、生命系统进行工程化，我们还缺乏设计它的能力，这里的设计是（指）理性的设计，就是说真正地、可预测地去设计它，目前我们仍然缺乏这种能力。AI 的参与则能够帮助我们获得一些可预测性设计的能力，它提供的算法、黑箱模型、灰箱模型等，允许我们给它一个输入（值），它就告诉我们一个输出（结果），虽然我们不理解，但是它理解了。它给到我们一个输出（结果），我们就可以根据那个结果来做设计，来做构建、检测，再回到学习，这样就有机会提高我们去改造、或者说去工程化生命体系的效率。

但是，这里的瓶颈也是我们现在一直在提的，就是一个数据的问题。AI for Science，算法可以、算力可以，但现在的数据不行，特别是生命系统的数据，数据的质量，或者说标准化，或者说可重现性，是目前大家提得比较多的事情。像 AlphaFold2，它是蛋白质结构的数据，比较客观，本身是大分子。但到了亚细胞层面，再到细胞层面上，一旦变成一个活的生命或者（生命）系统以后，如何才能形成一个可重现性高的、质量高的数据，就成为了一个问题。这是因为，不同仪器设备测出来的数据之间的可比性（低），而它同时是需要 collaboration （合作）的，不同实验室做的、不同人手做的（实验）都会产生误差，甚至不同厂家的试剂耗材等等都有影响。甚至可以说，不同人对生命体定义的不同（都会造成影响），以大肠杆菌为例，用不同的菌株，甚至是同一个菌株但是收藏于不同的实验室，由它们分别得到的数据之间也不一定就是可比较的。

于是，现在国际上就存在这种共识。今年有三个会，5 月份在美国，这个月底（9 月）在新加坡，10 月份在布鲁塞尔，（议题）就是标准化。这个标准化包含仪器硬件、软件，以及工艺流程（protocols）和度量衡（metrics），还有（使用的）试剂、耗材等等。在这个学科或者说这个领域，它的规则与标准要怎么去制定，才能让不同实验室、不同国家做的这些复杂生命系统的数据之间可比较，这就是现在大家一直在讨论（的事情）。之后一旦这些数据可比较，就又有了数据可及性的问题，也就是说大家都应该能够在一个平台上接触到这些数据，并去做比较。（到那时），刚才说的 AI for Life Science, for Synthetic Biology，就拥有了很大的发挥空间。这是目前的瓶颈。

张岚：刚刚您也提到了关于如何提高每一轮实验产生的数据和实验方法的标准化，包括后面数据怎么能够更好用等等。深圳（先进院）建的这个大设施，其实在一定程度上就是想把这个事情给解决的。这个大设施建成后，您现在回过头来看，建设的过程中有什么困难可以跟我们分享的吗？

刘陈立：就（合成生物学）这个领域而言，在国际上大家相对来说都是并跑的，没有一个特别成功的，换句话说就是没有现成的案例可供学习。所以，（这件事情）更多的是，你希望它（大设施）是什么样，你希望这个大设施建设成什么样，所以还是要回到第一性原理，也即这个设施到底要解决什么问题。

就像刚才说的，从长远看来这是一个标准化数据的问题，就是让生命科学、合成生物学能够与 AI 人工智能更深度地融合，目标是提高我们的设计能力。提高设计能力这一点，一方面是用机器学习来形成黑箱的算法，另一方面是通过这些数据在平台上的积累来帮助我们获取灵感，去形成白箱的算法，也就是我们现在讲的白箱+黑箱的方法，以此形成模型或者算法，来提高我们的理性设计能力。

总的来说，（我们的）目标是要提高理性设计能力，而为了提高理性设计能力，这个大设施就（用的是）标准化实验流程，将人手的操作变为机器来做，尽量地减少人在实验过程中的参与。这个现在国际上也是比较少，目前大家做的基本上都是半自动化的平台，或者叫 biofoundry，而要走向全自动化，至少我们现在在尝试去实现，目前在有些流程上我们已经打通全自动化了，这个在国际上比较少。再往下走的话，我们希望从全自动化走向自主化，这个也是国际上没有的，（这一概念）最开始是英国在好多年前提的，是一个方向，大家也都一步一步地要朝着这个方向去，从半自动化、自动化，走向半自主化、自主化的这样一个过程。

目标刚才说了，是希望能够更好地去理解生命，更好地去理性地改造生命、设计生命，这个是核心的目标。但是，短期来看我们得到的能力是，研究的效率提高了，研发的周期缩短了，因为（过程是）自动化、高通量的，从短期、具象的层面来看，原来可能需要 8 个月的研究，现在两周就搞完了，大大地提高了效率。另一方面，也是降低了研究的成本和各方面的成本，这都是短期内的（收益）。

长期来看，数据的积累将原来的作坊式的、散在式的研究方式，变成了这种中心化、平台式的（方式），让不同实验室、不同企业的中间过程数据都能够积累在这个平台上。数据的不断积累，尤其是高质量数据的不断积累，对于特定的生命体系，比如酵母，比如大肠杆菌的某一个株，（其相关的数据）就会不断地积累。这种数据积累带来的变化就是，不论是白箱黑箱，你都可以用这个数据去发展，而反过来就让你可以更理性地去设计。

理性设计带来的变化是什么呢？就是你不需要做那么多的实验了。我们现在要做大量的实验，这是因为我们不知道哪一个是对的，我们要去做很多的组合，类似试错，去参数空间里探索。当你可以进行理性设计的时候，你需要探索的参数空间就很小，你就明确知道能达到目标的这个体系（在哪），就可以直接设计出来，再做一些参数优化就可以了。现在（我们）还没有这种能力。所以说，从长期来讲，这种标准化数据的累积，白箱、黑箱模型的发展就可以形成另外一种能力，刚才形成的是一种效率提高的能力，后面形成则是一种理性设计的能力。这就是我们建设这个大设施的短期目标和长期目标。

张岚：在谈论产业化的时候，包括您个人的一些体会在内，我们可以看到创新其实是一个体系化的事情，从源头的科研发现，到技术走入市场，到资本的加持，再到产业方的接受。这一点，目前国内还在慢慢地构建，每个环节之间（需要慢慢）打通。那么在合成生物学这个领域，这一点是不是体现得也非常明显？

刘陈立：我还是那句话，（我们还在）非常早期的阶段，仍然是在探索。最终能不能做成，是取决于多个因素的。但是，这种探索过程本身就是有意义的，我也希望能够从中抽取出一些经验，并拷贝到其他的领域方向上去做。我觉得，现在这个时间段对我们国家特别重要，能否抓住，或者说把握住科技发展的脉搏，让科技与产业结合得更加紧密，变成生产力，这是一件对的事情，也是国家需要的事情。所以，各种针对这个目标的探索，我觉得都是很有意义的。