哥伦比亚合成生物学家首先设计细菌群模式来直观地记录环境，使用深度学习来解码模式;应用范围从监测环境污染到建筑生活材料。

生物医学工程教授Tal Danino的实验室研究人员几年前就如何设计和应用自然模式形成细菌进行了头脑风暴。

许多细菌物种，如奇异变形杆菌(P. mirabilis)，在肉眼可见的固体表面上自组织成定义的图案。这些细菌可以感知几种自然刺激，并通过“蜂拥”(一种由鞭毛驱动的细菌高度协调和快速的运动)对这些线索做出反应。这种长长的尾巴状结构引起鞭子般的运动以帮助推动它们。

为了获得灵感，哥伦比亚工程公司的Danino团队在使用合成生物学方法操纵细菌方面拥有丰富的经验，他们讨论了他们在自然界中可能发现类似模式的地方以及它们的功能可能是什么。

他们注意到树木年轮如何记录树木年龄和气候历史，这激发了他们将奇异杨年轮作为记录系统的想法。他们还对应用人工智能来表征细菌菌落模式的独特特征感兴趣。他们意识到这种方法可以用来解码工程模式。

“在我们看来，这是一个尚未开发的机会，可以为特定线索创建一个自然记录系统，”哥伦比亚大学数据科学研究所(DSI)成员Danino说。

在发表在《自然化学生物学》上的一项新研究中，研究人员与奇异假单胞菌(P. mirabilis)合作，这种P. mirabilis常见于土壤和水中，偶尔也存在于人类肠道中，以其靶心出现的菌落模式而闻名。

当细菌在固体生长培养基的培养皿上生长时，它们在细菌生长阶段(形成可见的密集圆圈)和细菌运动(称为“蜂群”)之间交替，后者向外扩展菌落。

工程细菌来感知、响应和改变蜂群

该团队通过添加合成生物学家所谓的“遗传回路”来设计细菌 - 遗传部分系统，逻辑编译以使细菌以所需的方式运行。

工程细菌感觉到研究人员选择的输入的存在 - 从温度到糖分子到重金属，如汞和铜 - 并通过改变它们的聚集能力来做出反应，这明显改变了输出模式。

使用 AI 解码集群模式

研究人员与Andrew Laine，Percy K.和Vida L. W. Hudson生物医学工程教授以及DSI成员以及哥伦比亚大学欧文医学中心神经生物学(精神病学)助理教授Jia Guo合作，然后应用深度学习 - 一种最先进的人工智能技术 - 从模式中解码环境，就像科学家观察树干上的年轮以了解其环境的历史一样。

他们使用可以对模式进行整体分类的模型来预测样品中的糖浓度，以及可以在模式中描绘或“分割”边缘的模型，以预测例如，菌落生长时温度变化的次数。

使用奇异假单胞菌的一个优点是，与许多典型的工程细菌模式相比，天然奇异假单胞菌模式是肉眼可见的，无需昂贵的可视化技术，并且可以在耐用、易于使用的固体琼脂培养基上形成。

这些特性增加了在各种设置中将系统用作传感器读数的潜力。使用深度学习来解释模式可以使研究人员从复杂的模式中提取有关输入分子浓度的信息。

“我们的目标是将该系统开发为一种低成本的检测和记录系统，用于环境中的污染物和有毒化合物等条件，”该研究的主要作者，Danino实验室最近的博士毕业生Anjali Doshi说。

“据我们所知，这项工作是合成生物学家设计了一种自然模式形成的细菌物种以改变其天然集群能力并作为传感器功能的第一项研究。

新方法将推动生物技术的发展

这样的工作可以帮助研究人员更好地了解原生模式是如何形成的，除此之外，还可以为传感器领域以外的其他生物技术领域做出贡献。

能够将细菌作为一个群体而不是个体来控制，并控制它们在菌落中的运动和组织，可以帮助研究人员在更大范围内建立活体材料，并有助于达尼诺实验室的平行目标，即通过更好地控制体内细菌行为，将细菌设计成活的“智能”疗法。

这项工作是构建宏观细菌记录仪的新方法，扩展了工程新兴微生物行为的框架。

该团队接下来计划通过设计细菌来检测更广泛的污染物和毒素，并将系统转移到安全的“益生菌”细菌上，从而建立他们的系统。最终，他们的目标是开发一种在实验室外应用记录系统的设备。