This is a randomized clinical trial comparing the safety and effectiveness of injection sclerotherapy using bleomycin versus doxycycline in children under 12 years with lymphatic malformations. The study will assess reduction in lesion size, clinical improvement, and treatment-related complications over six months.

开始日期2026-01-26

申办/合作机构-

ChiCTR2600119367

/ Not yet recruitingN/AIIT

Efficacy and Safety of Different Dual Regimens Based on Tegoprazan for the Eradication of Helicobacter pylori Infection in Treatment-naïve Patients: A Prospective, Randomized, Open-label, Multicenter Trial

开始日期2026-01-20

申办/合作机构

北京大学第三医院（北京大学第三临床医学院）

ChiCTR2500113032

/ Not yet recruiting临床4期

Comparative Effectiveness of Vonoprazan Dosing Strategies in Bismuth-based Quadruple Therapy for Helicobacter pylori Eradication

开始日期2025-12-01

申办/合作机构

浙江省台州医院

100 项与盐酸四环素相关的临床结果

登录后查看更多信息

100 项与盐酸四环素相关的转化医学

登录后查看更多信息

100 项与盐酸四环素相关的专利（医药）

登录后查看更多信息

55,116

项与盐酸四环素相关的文献（医药）

2026-06-01·BIOORGANIC CHEMISTRY

Multi-targeted quinoline-sulfonamide-chalcone hybrids: novel candidates for anti-quorum sensing, anti-biofilm, and anticancer activities

Article

作者: Musatat, Ahmad Badreddin ; Atahan, Alparslan ; Dulger, Gorkem ; Kiliccioglu, Ilker ; Akkoyunlu, Aysegul

This study presents the rational design, synthesis, and comprehensive evaluation of a novel series of quinoline-sulfonamide-chalcone (QCSa-i) hybrids as potential multi-targeted therapeutic agents. By a hybridization approach, the series was investigated for the antimicrobial, anti-quorum sensing, antibiofilm, and anticancer activities, complemented by extensive in silico analyses including (DFT) calculations and molecular docking simulations against key oncogenic targets (Bcl-2, EGFR, Survivin), alongside ADME profiling. The studied compounds demonstrated promising biological activities, with QCS-h emerging as a lead candidate exhibiting broad-spectrum antimicrobial activity against both B. cereus, P. aeruginosa, and C. glabrata, with considerably lower IC₅₀ values compared to the used standards, tetracycline and nystatin. Furthermore, QCS-h demonstrated superior antibiofilm activity, achieving over 80% inhibition against strong biofilm-forming Escherichia coli at all tested concentrations. Molecular docking studies revealed the QCS-h's remarkable binding affinity for the Epidermal Growth Factor Receptor (EGFR), with a binding energy of -11.25 kcal/mol and a theoretical inhibition constant of 5.68 nM, significantly outperforming the control compound (1.85 μM). DFT calculations provided insights into the electronic properties, facilitating the understanding of the wet experiments. The favorable ADME profiles further support the drug-like potential of these compounds. This integrative approach highlights the therapeutic promise of quinoline-sulfonamide-chalcone hybrids, particularly QCS-h, as multi-targeted agents for combating antimicrobial resistance and gastrointestinal malignancies, providing valuable insights for future rational drug design strategies.

2026-06-01·Biofilm

Staphylococcal persistence and biofilm resistance in bone-anchored hearing systems: Clinical impact

Article

作者: Hoffman, Maria ; Hultcrantz, Malou ; Ganeyev, Marsel ; Trobos, Margarita ; Thomsen, Peter ; Johansson, Martin L ; Palmquist, Anders ; Morales-Laverde, Liliana

Persistent inflammation and infection, often linked to staphylococcal colonization, affect bone-anchored hearing system (BAHS) outcomes. Although antibiotics are often used to treat skin complications, the roles of biofilms and antimicrobial resistance (AMR) in clinical success remain unclear. This clinical prospective study characterized biofilm formation and antibiotic resistance in Staphylococcus spp. from BAHS patients, and examined associations with inflammation, pain, and hygiene. Adults eligible for BAHS were prospectively enrolled at a tertiary university hospital in Sweden during 2014-2015. Fifteen patients were followed clinically and microbiologically at surgery, 3- and 12- months. Abutment, peri-abutment exudate and soft-tissue samples were cultured. Fifty-seven Staphylococcus spp. isolates underwent biofilm phenotyping (Crystal Violet, Congo Red), antimicrobial susceptibility testing (minimum inhibitory concentration [MIC], minimum biofilm eradication concentration [MBEC]) and whole-genome sequencing (lineage, AMR and virulence genes). Clinical status was scored (Holgers, pain, debris). Individual patients harbored the same staphylococcal clone on abutment, exudate, and tissue for 12 months. S. aureus was more prevalent in patients with inflammation (Holgers score >0), S. epidermidis correlated with pain, and slime production was associated with debris accumulation. Overall, 56 % of isolates showed resistance to fusidic acid, and 11-34 % carried tetracycline resistance genes. S. epidermidis carried multidrug resistance genes (beta-lactams, tetracycline, sulfamethoxazole, fosfomycin), and resistance increased under biofilm conditions (MBEC > MIC). The ica operon was detected in all S. aureus and S. epidermidis ST7, ST297, ST749 and ST278. These findings indicate that staphylococci from BAHS exhibit persistent colonization, diverse clonal lineages, and high biofilm-associated AMR. Early microbial diagnostics and biofilm-targeted strategies, alongside cautious use of topical antibiotics, may improve outcomes.

2026-06-01·Food chemistry. Molecular sciences

Tetracycline residue alters the nutritional quality and bioactive composition of soybean sprouts: Evidence from transcriptomic and rhizosphere microbiota analyses

Article

作者: Xia, Ting ; Cai, Ting ; Xiang, Wenliang ; Zhang, Shan ; Zou, Jie ; Tang, Jie ; Mou, Xinyue ; Tan, Xiao ; Yao, Jie ; Jiang, Hongmei

Antibiotic residues in edible crops have become an increasing food safety concern, yet their impacts on crop nutritional quality and bioactive composition remain poorly understood. Here, we investigated the effects of tetracycline, a widely used antibiotic in soil-vegetable systems, on the growth and nutritional quality and bioactive composition of soybean sprouts. Results showed tetracycline exposure significantly inhibited sprout growth and nutrient accumulation in a dose-dependent manner, with high concentrations reducing vitamin C, total flavonoids, and coumestrol contents by approximately 50 %, 30 %, and 43 %, respectively. Transcriptomic analysis revealed that these related declines were associated with disruptions in carbon, amino acid, and lipid metabolism, as well as in flavonoid and coumestrol biosynthesis pathways. In parallel, rhizosphere microbiota analysis showed that tetracycline reshaped microbial community structure by reducing nitrogen-cycling-related taxa (Dokdonella, Acidibacter) and enriching resistant genera (Acinetobacter), which were significantly correlated with changes in sprout nutritional quality and bioactive composition. Together, these results demonstrate that tetracycline residues drive substantial losses of nutritional and bioactive composition in edible crops through coordinated metabolic and microbiome-mediated mechanisms, revealing an underappreciated pathway by which antibiotic contamination threatens crop nutritional value and food quality.

103

项与盐酸四环素相关的新闻（医药）

2026-02-25

·万里霜天静寂寥

【医学科普】淋病：尿道流脓的千年顽疾之前世今生

一、性病之王的"温和"面孔在众多性传播疾病中，淋病似乎显得格外"眉清目秀"。相比于瘫痪免疫系统的艾滋病、症状千变万化的梅毒、反反复复极难根除的尖锐湿疣，淋病造成的困扰似乎只是尿频、尿急、排尿灼热、尿道肿痛、大量流脓和血尿之类的不适。虽然治疗不彻底可能导致不孕不育，少数情况下还会造成败血症、多脏器感染、关节炎、心内膜炎等严重并发症，甚至存在一定死亡风险，但至少在目前，淋病是可治愈的。然而，这看似"温和"的表象之下，隐藏着一个惊人的事实：根据世界卫生组织数据，2020年全球15-49岁成年人中，淋病新发感染病例高达8240万例，这一数字位居性传播疾病前列。更令人担忧的是，在如此庞大的感染基数下，淋病奈瑟菌的耐药性正在悄然增强，甚至演化出了能抵御几乎所有抗生素的"超级淋病"菌株。淋病的可治愈性，正在被耐药性危机逐渐侵蚀。二、穿越三千年的疾病足迹古老的历史记载淋病是人类历史上流传最广、最为古老的疾病之一。早在公元前1500年，《旧约全书》中就有类似淋病症状的描述，这表明这种疾病可能比有文字记载的人类文明更为古老。公元前400年，西方医学奠基人希波克拉底将其归为"维纳斯病"——维纳斯是古罗马神话中的爱神，这一名称暗示了疾病的传播途径。希波克拉底详细描述了淋病的症状，将其称为"痛性尿淋沥"，即小便时疼痛、淋漓不尽。公元2世纪，罗马医生盖伦正式提出"Gonorrhea"（淋病）这一名称，希腊语原意为"精液外流"，形象地描述了患者的典型症状。在中国古代医学典籍中，也有对类似疾病的记载。《黄帝内经·素问》中记载"膀胱不利为癃"，描述了小便不畅的症状。东汉张仲景在《金匮要略》中写道："淋之为病，小便如粟状，小腹弦急，痛引脐中。"意思是小便点滴而出，且尿路疼痛，与现代淋病的描述颇为相似。历史名人的"病历" 历史上最著名的淋病患者莫过于英国文学大师詹姆斯·鲍斯威尔（James Boswell，1740-1795）。这位出生于贵族家庭的传记作家十分热衷于婚外性行为，在其个人日记中详细记录了先后19次罹患淋病的经历。鲍斯威尔在日记中写道："我非常尊敬我的爱妻，但我认为与妓女的肉体联系并未损害我对妻子的爱。" 然而，批准丈夫偷情的妻子最终也成为了淋病的受害者。在9次怀孕中，她经历了2次流产、1次死产——这是淋病导致妊娠并发症的典型例证。鲍斯威尔最终也因淋病相关并发症去世，为其放纵的人生画上了悲剧性的句号。病原体的发现之路虽然淋病的症状在千年前就有记载，但真正揭示其病原体的，要等到19世纪。1879年，德国医生阿尔伯特·奈瑟从35例急性尿道炎男性患者、9名女性患者以及2例急性结膜炎患者的分泌物中，成功分离出了淋病的罪魁祸首——一种革兰氏阴性双球菌。为纪念这一发现，该菌被命名为淋病奈瑟菌（Neisseria gonorrhoeae），又称淋球菌。然而，分离病原体只是科赫法则的第一步。1885年，波姆完成了关键的验证实验：将淋球菌接种到健康人的尿道内，成功引发了淋病症状，从而确立了淋球菌作为淋病病原体的正式结论。这一发现过程中不乏悲剧。1767年，英国病理解剖学奠基人约翰·亨特为了证明淋病和梅毒是同一种疾病的不同表现，将一名淋病患者的脓液接种到自己尿道中。不幸的是，该患者同时感染了梅毒，亨特最终死于梅毒性主动脉炎，为科学献出了生命。历史上的"雅号" 由于淋病流传广泛，在不同文化和时代积累了诸多"雅号"。从症状上看，淋病曾被称为"白浊"，指的是淋病最常见的症状——尿道中分泌出的淡黄色夹杂乳白色的脓液。从治疗方式上讲，英语中淋病有个有趣的名字"The clap"，许多人认为该名称源于中世纪一种"建议治疗方法"——用双手或木板来回猛拍生殖器，试图以去除脓液和感染。这种野蛮的疗法，与当时医学认知的局限形成了鲜明对比。三、细菌的"作战计划"：淋病奈瑟菌的入侵机制淋病奈瑟菌是一种革兰氏阴性双球菌，呈肾形或咖啡豆状，常成对排列。人是淋球菌的唯一自然宿主，这意味着该细菌只能在人体内存活和繁殖，离开人体后不易生存。那么，这种微小的细菌是如何突破人体防线、造成感染的？其"作战计划"可分为五个精密步骤： 1.扫雷行动人体黏膜表面存在一种具有保护作用的免疫球蛋白A（IgA），相当于免疫系统提前埋下的"地雷"，细菌一旦触碰就会引爆，从而实现抗菌作用。淋球菌则分泌一种特殊的蛋白酶，能够中和并分解IgA，完成初步的"扫雷工作"。 2.登陆作战破防之后，淋球菌使用含有粘附因子的菌毛，牢牢粘附在上皮细胞表面。这些菌毛如同细菌的"锚"，使其在尿道、宫颈等部位"安营扎寨"，不会被尿液冲刷等物理方式清除。 3.潜伏繁殖淋球菌被上皮细胞吞噬后，进入细胞内部。此时它并不急于攻击，而是"猥琐发育"——在细胞内大量繁殖。当细菌数量足够多时，会导致宿主细胞破裂溶解。 4.反守为攻进入组织内部的淋球菌将面临免疫细胞的直接攻击。当中性粒细胞赶来吞噬细菌时，淋球菌非但不畏惧，反而"担心对方来得太少"。它不断合成毒素，诱导更多中性粒细胞聚集。更可怕的是，淋球菌能在中性粒细胞内部存活并繁殖，将本应消灭它的免疫细胞变成自己的"培养皿"。 5.全面破坏大量中性粒细胞和上皮细胞死亡破裂后，释放出大量炎症介质，引发急性炎症反应。临床上表现为红、肿、热、痛及脓性分泌物。脓液中包含大量死亡的中性粒细胞、坏死上皮细胞和细菌。这一系列精密的入侵过程，解释了为什么淋病能够如此迅速地引发严重症状。四、从尿道到全身：淋病的临床表现淋病的症状因感染部位、性别和病程阶段而异。潜伏期通常为2-10天，短者几小时即可发病，平均3-5天。男性患者的典型症状男性感染后，主要表现为急性尿道炎。发病初期出现尿道口灼热、刺痛，排尿时不适感加剧。很快，尿道口红肿，有稀薄透明粘液流出。约24小时后，症状明显加重，出现大量黄绿色或黄白色脓性分泌物，尿道内灼热刺痛明显，甚至出现排尿困难。患者常因恐惧排尿而不敢饮水。早晨起床时，尿道口常有脓液结痂封闭，称为"糊口"现象。这是淋病的典型表现之一。双侧腹股沟淋巴结可能肿大，有压痛。若不及时治疗，炎症可向后尿道、前列腺、精囊、附睾等部位蔓延，引起相应器官的炎症。长期反复感染可导致尿道狭窄、输精管阻塞，造成不育。女性患者的隐匿症状女性淋病症状相对不典型，早期主要表现为宫颈炎和尿道炎。宫颈炎可表现为外阴刺痒、烧灼感，阴道分泌物增多，早期为粘液性，随后转为脓性。性交时可能出现疼痛。尿道炎症状与男性类似：尿频、尿急、尿痛，尿道口红肿，有脓性分泌物。然而，约50%的女性感染者无明显症状或症状轻微，这使其更容易在不知情的情况下传播疾病。若感染上行，可引起子宫内膜炎、输卵管炎、盆腔炎等严重并发症。输卵管反复感染发炎后，可形成粘连、狭窄或堵塞，导致不孕不育或异位妊娠（宫外孕）。其他部位的感染随着生活方式的多样化，淋病的感染部位不再局限于生殖器： ·淋菌性结膜炎：表现为结膜充血、水肿，有大量脓性分泌物，严重时可导致角膜溃疡、穿孔，甚至失明。新生儿通过患淋病母亲的产道时易感染。 ·淋菌性咽炎：类似扁桃体炎或咽炎，表现为咽部干燥、烧灼感、疼痛，检查可见咽部充血、红肿。 ·淋菌性直肠炎：表现为肛门瘙痒、疼痛、粘液脓血便，排便不适。播散性淋球菌感染若淋球菌进入血液循环系统，可引起播散性淋球菌感染，这是一种严重的全身性感染，可累及心脏、肝脏、脾脏、肺脏、肾脏、关节等几乎全身各器官，表现为败血症、心内膜炎、关节炎等，危及生命。五、传播途径：不仅是性接触性接触传播：最主要的途径性接触传播占淋病传播的90%以上。与患有急性淋病的男性发生一次性接触，女性被感染的概率约为50%-90%；与患有急性淋病的女性发生一次性接触，男性被感染的概率约为20%-30%。这一数据与HIV形成鲜明对比：与HIV感染者发生一次直接性接触，感染率仅为0.03%-2%。由此可见，淋病的传染性远高于艾滋病。间接接触传播：不容忽视的风险虽然性接触是主要传播途径，但间接接触传播的可能性依然存在。淋球菌在离开人体后仍可短时间存活：在干燥环境中能存活1-2小时，在脓液中可存活数天。因此，淋病患者使用过的内衣、内裤、毛巾、床单、浴缸、坐便器等，都可能被淋球菌污染。建议在使用公共卫生间时注意卫生，必要时用开水对马桶圈进行消毒。特别是女性，因尿道和生殖道较短，更容易通过间接接触感染。母婴传播：新生儿的威胁患有淋病的孕妇在分娩过程中，新生儿通过产道时可能感染淋菌性结膜炎。若不及时治疗，可导致角膜穿孔甚至失明。因此，孕妇应在产前进行淋病筛查，发现感染及时治疗。六、治疗历程：从荒诞到科学的演变古代疗法：痛苦与荒诞并存在抗生素问世之前，淋病的治疗充满痛苦甚至荒诞。 "拍打法"曾一度流行——用双手或木板来回猛拍生殖器，试图去除脓液和感染。这种野蛮的治疗方式不仅无效，还会给患者带来巨大痛苦。中世纪时期，医生们尝试使用水银、砷、金银汞等重金属治疗淋病。这些有毒物质非但无法治愈疾病，反而导致重金属中毒，使患者雪上加霜。 19世纪，医学界发现了热疗的作用。研究发现，杀灭体外培养的淋球菌需要暴露在43°C下76分钟，或45°C下37分钟。于是衍生出"尿道冲洗法"——用导管向尿道内注入46-50°C的热水反复冲洗，或用高锰酸钾溶液冲洗。更有甚者，将患者除头部外的躯体封闭在41°C的发热柜中4-6小时，或将发热元件直接插入生殖器和直肠，试图用高温"杀灭"细菌。这些方法不仅痛苦，疗效也极为有限。抗生素时代：治疗的革命 1935年，磺胺类药物成为第一种可用于治疗淋病的抗菌剂，最初治愈率达80%-90%。然而，不到10年，超过90%的淋球菌分离株就对磺胺类药物产生了耐药性。 1943年，青霉素横空出世，迅速替代磺胺类药物成为淋病的一线治疗。淋病患者终于可以不用忍受痛苦，仅通过药物就能治愈。这是淋病治疗史上的一次革命。然而，细菌的进化速度远超人类想象。尼采曾说："那些杀不死我的，终将使我更强大。"这句话同样适用于淋球菌。现代治疗方案目前，头孢曲松是治疗淋病的首选药物。2025年英国性健康与艾滋病协会（BASHH）指南推荐：无并发症的泌尿生殖道、直肠或咽部淋病，采用头孢曲松500mg单次肌内注射，联合阿奇霉素1g单次口服。联合用药可降低耐药性产生的风险。对于体重≥150kg的患者，头孢曲松剂量增至1g；阿奇霉素过敏者可替换为多西环素100mg每日2次，连续7天。孕妇、儿童、HIV感染者等特殊人群需在医生指导下调整治疗方案。治愈标准：症状及体征全部消失；治疗结束后3-7天，从患部取材做涂片染色及培养皆为阴性。七、耐药性危机：超级淋病的威胁耐药性的演化机制细菌对抗生素产生耐药性是自然选择的结果。在细菌繁衍过程中，每繁衍一代都有一定概率出现基因突变。如果某种突变恰好有利于抵抗某种抗生素，携带该突变的细菌就会在抗生素的"选择压力"下幸存，并繁衍出耐药性越来越强的后代。抗生素的广泛使用，极大地加速了这一过程。人类滥用抗生素，反而成为细菌"砥砺前行的磨刀石"。耐药性的严峻现状根据2025年世界卫生组织发布的《全球抗生素耐药性监测报告》，2023年全球范围内导致常见感染的实验室确诊细菌感染中，有六分之一对抗生素治疗产生耐药性。2018年至2023年期间，超过40%的被监测病原体-抗生素组合的抗生素耐药性上升，年均增幅达5%-15%。淋球菌的耐药性尤为突出。磺胺类药物、青霉素、四环素、喹诺酮类等曾经有效的抗生素，如今在淋病治疗中已基本失效。 2025年BASHH指南数据显示，英国约1.2%的临床分离株对头孢曲松的最小抑菌浓度（MIC）达到0.25 mg/L，接近耐药临界值；阿奇霉素的耐药率从2019年的3.4%升至8.7%。多重耐药菌株（对3类抗生素耐药）的检出率较2015年增长2.3倍。超级淋病菌株的出现 2011年，日本发现了一种对当时几乎所有抗生素都耐药的淋病菌株——H041。这种"超级淋病"菌株的出现，给全球公共卫生敲响了警钟。专家们预言，若不加以控制，此类超级淋球菌很可能在世界范围内蔓延。一旦预言成真，超高感染率加上超强耐药性，淋病将在一众传染病中"独孤求败"，成为无药可治的绝症。八、新药曙光：2025年的重大突破两款新药获批在多年药物研发陷入困境后，淋病治疗终于迎来重大突破。2025年12月，美国食品药品监督管理局（FDA）批准两款全新口服抗生素用于淋病治疗，这是数十年来首批针对淋病的新药。该成果入选《Science》杂志"2025年度十大科学突破"。第一款新药：Gepotidacin 由葛兰素史克研发，属于新型三氮杂苊烯类口服抗生素。与传统抗生素不同，它能同时抑制细菌的拓扑异构酶Ⅱ和拓扑异构酶Ⅳ，有效阻断细菌DNA复制。这种双重抑制作用有助于降低耐药性风险。《柳叶刀》发布的EAGLE-1 Ⅲ期临床试验显示：口服两剂、每次3克的gepotidacin，治愈率达92.6%，疗效不劣于注射头孢曲松联合口服阿奇霉素，且未观察到细菌持续存在或耐药性出现。第二款新药：Zoliflodacin 由Entasis制药与全球抗生素研究与开发伙伴关系（GARDP）合作开发，属于首创的螺吡咪啶三酮类抗生素。它作用于细菌DNA回旋酶的GyrB亚基，这一靶点不同于传统药物，因而能绕过现有耐药机制。国际多中心Ⅲ期研究显示，单次口服3克zoliflodacin的治愈率超过90%，对直肠和咽部感染也有良好疗效。新药的优势与挑战优势： ·口服剂型：大大提高了治疗便利性，避免了注射带来的疼痛和针刺伤风险 ·新作用机制：绕过现有耐药机制，对多重耐药菌株有效 ·安全性良好：最常见的不良反应为轻度至中度胃肠道不适，大多可自行缓解挑战： ·咽部感染的疗效仍需更多数据支持 ·如何合理使用新药、避免滥用，防止耐药问题过快产生，是关键课题专家指出，新药的出现将引发重要讨论：是否应该保留新药，直到现有药物大量失败后再使用？近期模型研究发现，如果新药与现有药物联合使用，或随机分配给患者，耐药性出现会更慢。但这一策略的可行性仍需进一步验证。 "我们都清楚，淋病菌株的耐药性并非是与否的问题，而是何时。"多管齐下的防控策略——包括疫苗研发、新药开发、预防教育和持续监测——才是应对耐药性挑战的根本之道。九、预防策略：守护健康的防线个人防护措施 1. 安全性行为正确使用安全套是最有效的预防措施。安全套不仅能避孕，更能有效隔离淋病奈瑟菌、HIV、梅毒螺旋体等多种病原体。中疾控一项针对全国31万多名年轻人的调查显示，2010-2015年期间，年轻人首次性行为时未使用安全套的比例高达60.2%，最近一次与固定性伴侣和临时性伴侣发生关系时未使用安全套的比例分别为50.5%和59.6%。这说明安全套的普及仍待加强。 2. 避免高危行为我国感染和传播性病的主要人群仍为卖淫嫖娼者。部分患者感染淋病后无明显症状，在不知情的情况下可能散播疾病。因此，避免高危性行为是预防的根本。 3. 性行为前观察在进行性生活之前，观察自己和对方是否有淋病的典型症状：尿道口红肿、脓性分泌物、尿痛等。如有异常，应及时就医。日常卫生习惯 ·不与他人共用内衣、内裤、毛巾等个人物品 ·使用公共卫生间时注意卫生，必要时对马桶圈消毒 ·保持良好的个人卫生习惯，勤洗手、勤换衣定期筛查与早期治疗高危人群应每3-6个月进行一次淋病筛查，包括男男性行为者、多性伴者、性工作者等。早期发现、早期治疗，既能提高治愈率，又能减少传播风险。若确诊淋病，应： ·遵医嘱足量、规范用药 ·性伴侣同时检查治疗，避免"乒乓球式"交叉感染 ·治疗期间禁止性生活 ·治疗后按时复查，确保治愈正确的心理认知感染性传播疾病并不能等同于不道德。很多患者是正常发生关系时被传染的受害者，特别是年轻人，由于心智不成熟和对性缺乏了解，容易进行不安全的性行为。最可怕的不是感染疾病，而是因羞耻感不敢就医，导致病情越拖越严重。医生并不在乎患者是通过哪种方式感染疾病。详细询问病史，往往是因为病情复杂、表现不典型，需要全面了解情况以制定治疗方案。在医生眼中，患者只有一种身份——需要帮助的人；医生也只有一个目的——让患者痊愈。十、科学认知，理性应对淋病，这个伴随人类数千年的古老疾病，正在经历一场前所未有的变革。一方面，科学的进步让我们拥有了前所未有的治疗手段：从青霉素到头孢曲松，再到2025年两款新药的获批，人类在与淋病的博弈中不断取得突破。另一方面，耐药性的威胁如同达摩克利斯之剑，时刻悬在头顶：超级淋病菌株的出现，警示我们细菌的进化速度可能超越药物研发的速度。淋病可防可治，但不可轻视。面对这一挑战，需要的不仅是新药的研发，更是全社会的共同努力：普及性健康教育，倡导安全性行为，规范抗生素使用，加强耐药性监测，消除对性病患者的歧视。当科学的认知取代恐惧与偏见，当预防的意识深入人心，当治疗的规范成为共识，淋病这一古老的疾病终将被人类驯服。参考文献 1.World Health Organization. Global progress report on HIV, viral hepatitis and sexually transmitted infections, 2023. 2.British Association for Sexual Health and HIV. National Guideline for the Management of Gonorrhoea, 2025. 3.World Health Organization. Global Antimicrobial Resistance Surveillance Report, 2025. 4.Ross JDC, et al. Oral gepotidacin for the treatment of uncomplicated urogenital gonorrhoea (EAGLE-1): a phase 3 randomised, open-label, non-inferiority, multicentre study. The Lancet, 2025. 5.Luckey A, et al. Zoliflodacin versus ceftriaxone plus azithromycin for treatment of uncomplicated urogenital gonorrhoea: an international, randomised, controlled, open-label, phase 3, non-inferiority clinical trial. The Lancet, 2025. 6.New antibiotics for gonorrhea could help beat back drug-resistant infections. Science, 2025. 7.中国疾病预防控制中心性病控制中心. 性病防治手册.

2026-02-19

·国科农研院

【国科报告厅】人工智能驱动的生物制造进展与趋势

纵览农业发展，请关注国科农研院人工智能驱动的生物制造进展与趋势江源#，杨露#，王琼，刘晓，毛开云* （中国科学院上海生命科学信息中心，中国科学院上海营养与健康研究所，上海200031）摘要：生物制造正经历从经验驱动向数据驱动的范式转变，人工智能在其中发挥着重要作用。本文综述了2025年人工智能在生物制造核心环节——包括生物元件设计、代谢网络建模、人工生命系统与无细胞合成系统构建、工艺优化与过程控制等方面的最新进展。尽管当前仍面临生物机制认知局限、数据稀缺、模型可解释性不足等挑战，未来随着人工智能与合成生物学、自动化技术的深度融合，将推动生物制造向可编程、智能化、可持续的新一代工业体系跨越，为医药、化工等领域的绿色转型提供核心驱动力。关键词：生物制造；数据驱动；人工智能；合成生物学中图分类号：Q819；TP18文献标志码：A 生物制造以可再生资源为原料，利用生物系统（如活体微生物、动/植物细胞、体外合成酶系统等）进行物质加工与合成，通过发酵等工艺规模化生产化学品、高分子材料等产品[1]，推动了医药、食品、材料、能源等产业的发展。生物制造的发展经历了基础研究和产业应用的持续演进[2]。早期阶段主要依赖传统微生物发酵，随着合成生物学与人工智能（artificial intelligence，AI）的发展，生物制造正经历从经验驱动到数据驱动、从试错探索到智能设计的范式转变[3]。这一转变为构建可编程、可预测、可扩展的生物制造体系提供了关键支撑。合成生物学通过系统性设计与构建，开发新型生物元件、装置和系统，并对现有生物系统进行功能重编程[4]。这一交叉学科融合了生物学、工程学、遗传学、化学与计算机科学的理论与方法，致力于创造自然界中尚未存在的人工生物系统，或对天然生物系统进行定向改造与功能优化。AI在海量数据处理、复杂模式识别与预测模型构建等方面展现出超越传统方法的卓越效能，它的核心是创建能执行学习、推理、决策等任务的算法与系统[5]。AI通过提供预测建模工具、整合复杂数据集等方式加速实验流程和效率。例如，AI驱动的技术流程通过指导基因设计、预测发酵性能并优化代谢途径，系统性提升合成生物学效率和精准度[6]。过程建模与控制是AI的另一个重要应用。AI算法分析生产过程中产生的大量数据集，以确定温度、pH值、营养水平和其他关键变量的最佳参数[7]。例如，在发酵过程中，AI可以定义“黄金曲线”（即整个过程中的理想条件），并在出现偏差时提出纠正措施[8]。该技术还能通过自动化分析复杂数据集、识别关键变量并预测最佳条件，从而增强实验设计。这有助于构建更稳健、可扩展的工艺流程，持续生产出高质量的产品，并将批次间的差异降至最低。生物制造正以可再生原料为基础，以智能化生产方式为路径，以循环经济为导向，逐步构建起高效、低碳、可持续的新型工业体系[9]（图1）。在原料层面，以非粮生物质为核心生产原料，推动资源利用向可持续方向转型；在技术层面，以合成生物学“设计-构建-测试-学习”（design-build-test-learn，DBTL）循环为核心，结合AI、自动化技术及数据决策系统形成闭环[10]；在应用层面，已覆盖医药、食品、化工、材料、环境等关键领域，并将向深空[11]、深海[12]、深地[13]等未来场景拓展。图1 高效、低碳、可持续的生物制造高效、低碳、可持续的生物制造以秸秆/农业废弃物和一碳气体等非粮生物质为可再生原料，构建低碳循环路径，实现碳减排与生态协同效应；以合成生物学“设计-构建-测试-学习”（design-build-test-learn，DBTL）循环为核心，结合人工智能（artificial intelligence，AI）（预测-优化-挖掘-生成）与自动化技术（编程-执行-采集-集成），形成可编程生物系统。系统涵盖细胞工厂与无细胞合成系统，通过发酵过程关键参数（温度、pH、溶解氧）的实时监测与控制，推进制造过程精准化。应用覆盖医药健康、农业食品、化工材料、环境能源四大领域，并向深空、深海等未来场景拓展，形成“原料-技术-产品-产业”闭环。从实验室技术转化到产业协同升级，推动传统企业向生物解决方案提供商转型，支撑“双碳”目标实现与循环经济发展（注：部分元素由AI生成）。 1 生物制造发展阶段依据生产方式、核心技术和产品类型，生物制造的发展可分为四个阶段[14]（表1）。生物制造1.0始于第一次世界大战时期，主要通过单一菌种厌氧发酵，实现糖类原料向初级代谢产物（如丙酮、丁醇、乙醇等）转化。生物制造2.0发端于第二次世界大战期间，采用经诱变选育的微生物突变体，结合液态深层好氧发酵工艺，实现以青霉素、四环素、链霉素等为代表的次生代谢产物制造。20世纪80年代，以重组DNA技术及细胞培养体系为标志，生物制造迈入3.0阶段。这一阶段实现了生物大分子生产，例如多种治疗性蛋白和工业用酶。当前正处于生物制造4.0的成形与深化时期，以合成生物学技术为代表，推动生物制造往“新生产方式、新产品、可持续”方向发展[15]，例如工程大肠杆菌合成抗疟药物青蒿素前体[16]、工程酵母合成阿片类药物[17]、二氧化碳人工合成淀粉[18]和首个商业化应用的RNA生物农药（CalanthaTM）[19]等。表1 生物制造的发展阶段阶段生产方式核心技术典型产品 1.0 单一菌种厌氧液体发酵丙酮、丁醇、乙醇 2.0 诱变菌种好氧深层发酵青霉素、四环素、链霉素 3.0 转基因微生物/细胞重组DNA技术+细胞培养重组蛋白、工业酶 4.0 工程微生物、干细胞、无细胞合成系统合成生物学青蒿素前体、阿片类药物、人造淀粉、生物农药 “设计-构建-测序-学习”（desigh-bulid-test-learn，DBTL）循环是合成生物学的核心研发流程[20]。AI在DBTL循环中发挥着关键作用[21]。例如，在设计阶段，AlphaFold[22]及生成式分子设计系统[23]等模型能够预测蛋白质结构、提出合成回路方案并生成候选生物分子；在构建/测试阶段，生物铸造厂[24]通过自动化DNA合成、高通量筛选及功能实验，对AI生成的设计方案进行集成验证；在学习阶段，包括序列-功能关联、代谢输出及多组学数据在内的实验结果将反馈至AI系统，从而实现对预测模型的迭代优化。这种闭环集成使DBTL转变为自我优化的过程，显著加快发现速度、减少试错成本并提升结果可重复性。在合成生物学与AI的驱动下，生物制造4.0正迈向5.0阶段[25]。2 细胞工厂重构重构细胞工厂的核心目标是通过理性设计与系统优化，使细胞成为高效、可控、可持续的“生物反应器”。基因工程提供基因元件与基因编辑工具，为细胞工厂的设计与构建奠定基础。酶工程通过对关键酶的挖掘与设计，解决代谢途径中的限速步骤。代谢工程对代谢网络进行系统性重编程，实现途径重构和动态调控等。2.1 生物元件设计生成式AI能够创建新颖且复杂的分子结构，已成为分子设计的强大工具[26]。在DNA调控元件设计方面，DaSilva等[27]构建了名为DNA-Diffusion的生成式人工智能框架。该框架利用基于不同细胞系DNA数据训练的机器学习模型，生成长度为200个碱基对的调控元件，这些元件不仅与内源性转录因子结合，而且还具有细胞类型特异性。在信号肽设计方面，Dai等[28]开发了SPgo计算框架，通过将基于结构域组装的规则系统与基于Transformer的深度生成模型相结合，实现了Sec型信号肽的高效设计；通过该框架设计的信号肽将蛇毒肽的分泌产量提升至154 mg/L，相比传统胞内表达提高了150倍。在酶催化元件设计方面，Lauko等[29]融合了RFdiffusion[30]的蛋白质骨架生成能力与PLACER[31]的功能位点评估模块，设计出可介导多步反应的、含复杂活性位点的丝氨酸水解酶。该设计酶实现了原子级结构精度与天然酶级催化性能的双重突破。Profluent公司发布了由AI自主设计的全新基因编辑工具OpenCRISPR-1（Cas9样蛋白酶），并在人类细胞中实现基因组编辑[32]。生成式AI实现了生物元件的“从无到有”，而针对现有元件的功能提升，需要AI预测模型与自动化实验深度融合。这类平台的核心是利用AI模型快速评估序列-功能关系，并指导自动化系统进行高通量构建与筛选，形成DBTL的智能闭环。Zhang等[33]开发了基于蛋白质语言模型的自动化蛋白质进化平台PLMeAE。该平台利用ESM-2模型进行零样本预测生成候选序列，并通过自动化生命铸造工厂iBioFoundry完成高通量构建与验证，再基于实验数据训练预测模型以指导下一轮筛选。经过四轮迭代（10 d）以后，目标酶活性提升了2.4倍。2.2 代谢网络建模代谢网络模型通过整合多组学数据模拟复杂的代谢网络，是AI设计代谢网络的基石。Li等[34]通过整合多种基因与代谢物的聚类及关联分析算法，构建了覆盖烟草全基因组的代谢调控网络，识别出多个高价值代谢物合成的关键调控枢纽。Yu等[35]在基因组尺度代谢模型的指导下，设计并构建了合成菊酸的大肠杆菌细胞工厂。多尺度代谢模型通过融合化学计量学、酶动力学、热力学及转录调控等多维度约束条件，突破了传统基因组规模代谢模型的静态分析框架，可实现对细胞代谢行为的动态模拟与多层次解析。Cheng等[36]研发出名为CarveAdornCurate（CAC）的云端平台，用以高效构建多尺度代谢模型。CAC能够整合热力学约束与酶成本分析，有效识别代谢途径中的限速瓶颈，同时也支持对现有高质量模型的整理与迭代优化，目前已成功应用于谷氨酸棒状杆菌（细菌）与解脂耶氏酵母（真菌）的多尺度建模。深度学习技术在挖掘未知代谢功能、自动化建模及跨物种泛化等方面极具潜力。例如，Han等[37]开发了名为AlphaGEM的通用工具，它融合了蛋白质组尺度结构比对与深度学习预测方法，能实现从基因组数据到可直接应用的代谢模型的构建。通过集成多类深度学习工具的协同流程，AlphaGEM能够有效挖掘非同源蛋白中潜在的未知代谢功能，并已实现了对332种不同酵母物种代谢模型的高精度自动重建。此外，AlphaGEM还可以用于构建原核生物（如肺炎克雷伯菌、枯草芽孢杆菌）和小鼠的代谢模型。2.3 人工生命系统许多关键生物学功能的实现并非依赖单一基因，而是源于整个基因组所编码的复杂互作网络。因此，基因组语言模型正成为设计生物系统的前沿策略。Arc Institute、英伟达、斯坦福大学等[38]多家机构联合开发了Evo2，它是一个基于9.3万亿个DNA碱基对训练而成的生物学模型。该模型参数量达70亿至400亿，能以单核苷酸分辨率解析百万级核苷酸序列。仅通过DNA序列的自监督学习，Evo2便能准确预测遗传变异的功能影响，包括从非编码区致病性突变到临床关键基因BRCA1的致病变异。在此基础上，斯坦福大学研究人员以裂解性噬菌体ΦX174为设计模板，基于基因组语言模型Evo[39]和Evo2，生成了16种具有生命周期的噬菌体，其中部分噬菌体感染能力与ΦX174相当甚至更优，奠定了基因组尺度上生命系统生成式设计的基础[40]。3 无细胞合成系统人工智能、高通量筛选与自动化技术的融合，赋予无细胞合成系统“数据驱动+智能决策”的双重能力，构建起从海量实验数据到最优解的加速转化通道。Zhu等[41]研发的DropAI高通量组合筛选平台，通过深度融合液滴微流控技术与AI算法，将单位反应体积压缩至250pL，同时将移液操作集成于微流控芯片内部，1h可自动化生成百万级反应单元并覆盖数千种组合条件，显著提升了实验效率与数据密度。DropAI还能通过对海量筛选数据进行动态分析，识别最优组合条件并持续扩展筛选维度，形成“微流控生成-AI优化”的闭环加速体系。康码生物依托自主研发的D2P（DNA-to-Protein）无细胞蛋白质合成平台，结合D2Plab算法，实现了AI设计甜蛋白产品（儿童甜蛋白防龋齿漱口水）规模化量产与商业应用[42]。此外，康码生物还携手中国科学院上海高等研究院国家蛋白质科学研究（上海）设施，共同组建了蛋白质智造联合实验室[43]。该实验室将部署康码生物最新研发的D2Pi-2.0（DNA-to-Protein Intellgence 2.0）智能化系统，构建全球领先的自动化、高通量蛋白质合成平台。预计单日可完成数千种蛋白质的毫克级规模化制备，为功能蛋白开发、药物筛选及合成生物学研究提供了高效、精准的蛋白质制造解决方案。4 工艺优化与过程控制工艺优化通过系统性方法改进生产流程的设计、参数与资源配置，以实现产率、质量或效率的持续提升。例如，在集成建模与预测优化方面，Xu等[44]开发了融合人工神经网络-遗传算法建模、多传感器监测与代谢谱分析的综合平台，提升了庆大霉素C1a生产性能的预测精度与可靠性，为工艺参数优化提供数据基础。在知识数字化与实验设计智能化方面，易智唯思与虹摹生物联合打造的AI工程师“虹摹易智（MOZI）”，通过整合企业历史数据与专家经验，构建结构化知识库，实现隐性工艺经验的数字化沉淀，并能够自主生成高效实验方案，推动研发阶段的工艺优化[45]。在设备与数据标准化方面，广州生物岛实验室联合华为云等发布的“生鸿”工业操作系统，针对设备接口不统一、数据孤岛等问题，通过鸿蒙化改造实现设备接口与数据格式的标准化，为工艺优化的规模化实施提供基础设施支持[46]。过程控制在生产运行中通过实时监测与动态调控，使生产过程维持在最优状态，应对实时波动与干扰。在多光谱传感与实时调控方面，Xu等[47]融合近红外与拉曼光谱技术，实现对庆大霉素发酵过程的实时监测；通过进一步构建AI驱动的全自动发酵平台，基于机器学习筛选特征波长并建模，依据实时光谱数据动态调控补料速率，使目标产物产量提升33%。在自适应决策与动态优化方面，上海交通大学李金金教授团队研发的“ManuDrive”系统，引入时间维度与迁移学习能力，能够为复杂发酵过程实时生成未来最优操作方案，在新疆川宁生物的抗生素生产中显著提升产量与生产稳定性，体现了AI在实时过程控制中的自适应能力[48]。5 人工智能在生物制造领域的应用 2025年8月，在数字经济与生物经济加速融合的背景下，工业和信息化部办公厅发布了首批人工智能在生物制造领域的16个典型应用案例[49]（表2），覆盖了高性能蛋白质元件设计、代谢通路设计、细胞工厂构建、生物反应过程智能控制等多个方面，展现了AI通过数据建模、算法优化与智能决策，破解传统生物制造中存在的研发周期长、生产效率低、运行成本高等核心痛点，为行业转型升级提供了可借鉴的技术路径与产业化范式。表2人工智能在生物制造领域的典型应用案例（第一批）序号案例名称场景申报单位案例简介 1 基于 AI 大模型高效改造药用酶用于酶替代疗法高性能蛋白质元件设计及构建百图生科(北京) 智能技术有限公司通过自主研发的AI大模型，针对现有酶设计相应突变并进行了多目标优化，有效提高酶的活性和稳定性，实现高效筛选潜在靶点、设计药物分子、预测药物效果并降低免疫响应 2 蛋白质工程大模型AIACCLBIOTM 高性能蛋白质元件设计及构建上海天鹜科技有限公司自主研发蛋白质通用 AI模型，在90亿条蛋白质数据基础上，结合小样本学习算法和干湿迭代模式，实现“从序列到功能”的端到端预测，摸索出AI设计加少量实验的新范式 3 人工智能驱动酶法高效生物合成并实现产业化应用高性能蛋白质元件设计及构建上海智峪生物科技有限公司自主开发“ZCloud”生物计算平台和“ZBot”实验验证平台，基于机器学习和大语言模型从海量生物数据库中推理合成路径，解决“寻酶、挖酶、改酶”等酶工程核心痛点，极大提高酶法合成效率 4 应用人工智能技术实现全人源抗体药物发现技术革新高性能蛋白质元件设计及构建广州赛业百沐生物科技有限公司自主打造AbSeekTM抗体智能计算平台，通过灵活和可扩展的多层架构设计，构建“干湿结合”全人源抗体发现系统，突破天然抗体库限制，极大压缩抗体筛选周期和抗体药物研发成本 5 应用生成式人工智能模型结合高质量DNA 数据集实现超长DNA 高效持续合成高性能蛋白质元件设计及构建涌源合生科技(深圳)有限公司通过并行合成数千变体并借助AI大模型开展智能化序列分析和性能预测，极大提升酶序列空间探索及酶性能迭代改进速度，实现 piDNA 聚合酶的快速发现与优化，突破超长DNA合成难题 6 蛋白质智能预测和改造技术实现极端蛋白元件高效挖掘和性能优化高性能蛋白质元件设计及构建常州新一产生命科技有限公司自主研发极端蛋白通用 AI预测和改造模型，解决了当前极端蛋白挖掘范围窄、通量低、筛选和改造成本高等突出问题，精准挖掘50 000 余个具有工业应用价值的极端蛋白元件 7 应用人工智能辅助重组胶原蛋白精准设计高性能蛋白质元件设计及构建江苏创健医疗科技股份有限公司运用AI+BT技术，发掘关键性细胞结合位点，并进行蛋白序列设计与作用机制模拟验证打通干湿实验闭环，精准发掘靶点、设计蛋白序列并优化发酵纯化工艺，实现特殊型别分子重组胶原蛋白高效规模量产 8 应用全原子蛋白质生成技术赋能AI蛋白质序列设计并实现工业化应用高性能蛋白质元件设计及构建杭州力文所生物科技有限公司自主研发AI平台 Lésign®，创新融合蛋白质大语言模型与共进化理论，实现氨基酸协同突变关系的精准解析，显著提升蛋白质序列设计成功率 9 应用人工智能技术推动蛋白质从头设计高性能蛋白质元件设计及构建安徽元构生物科技有限公司自主研发蛋白质AI设计算法SCUBA和ABACUS，提出“主链生成+功能序列设计”双引擎设计方法，突破了蛋白质结构从头精准设计、多功能位点融合等共性复杂问题 10 打造大数据和人工智能驱动的代谢通路智能设计平台赋能生物制造全流程开发代谢通路的设计及优化武汉丽合智造生物科技有限公司构建多模态生物大数据引擎RxnFinder®，采用基于深度学习模型挖掘的底物分子指纹特征和酶序列特征关系知识图谱，精准获取催化特定底物分子结构转化的候选酶，实现生物合成“大数据挖掘—智能通路设计—实验验证”全流程AI驱动 11 智能化AI平台驱动的稳定高表达细胞株构建细胞工厂的构建及优化北京昭衍生物技术有限公司整合机器学习算法、大数据挖掘和计算机视觉技术，打造集AI筛选、预测、构建于一体的智能化细胞工厂开发平台，构建高产高质量的生物制造细胞株 12 数据驱动的芳香族化合物细胞工厂设计构建、微流控高通量编辑选育及应用细胞工厂的构建及优化中国科学院天津工业生物技术研究所自主构建大肠杆菌多约束细胞模型，开发基于细胞模型的途径设计算法QHEPath以及大模型辅助的菌种改造专家系统，结合高通量微流控技术构建芳香族化学品高效合成细胞工厂 13 构建高效细胞工厂实现生物制造替代化学合成方式生产香兰素细胞工厂的构建及优化陕西海斯夫生物工程有限公司自主构建“AI+全链路”的蛋白质虚拟筛选平台，系统优化香兰素生物合成路径中的关键酶，构建香兰素高效合成细胞工厂 14 应用SemDB数据库技术实现大规模生物制造过程全链条精准工艺控制和AI大数据分析生物反应过程的智能控制北京诚益通控制技术集团股份有限公司利用工艺参数大数据分析、AI模型预测、机器学习算法等技术，有效解决生产中工艺过程黑箱化、工艺数据滞后等瓶颈问题，实现生产稳定性提升与原料高效利用 15 应用代谢网络模型及深度学习技术实现大肠杆菌培养过程在线代谢分析生物反应过程的智能控制迪必尔生物工程 (上海)有限公司自主研发微生物培养代谢流智能动态优化系统，实现胞内代谢通量的实时解析，建立生物发酵过程智能调控系统，实现从宏观参数监测到代谢底层调控的跨越 16 应用智能技术实现生物制造过程精准控制生物反应过程的智能控制宜昌东阳光生化制药有限公司开发基于因果卷积特征工程的注意力网络结构混合模型，实现发酵过程关键控制点智能预测，解决生产控制滞后于生物反应过程的问题 6 总结与展望人工智能能够学习调控元件的“语法”规则，设计出具有特定活性和特异性的DNA调控元件。如DNA-Diffusion模型可生成在目标细胞中活性高、在非目标细胞中活性低的序列，实现细胞特异性调控。AI驱动的DNA设计在取得突破性进展的同时，仍面临一系列相互关联的核心挑战[50]-[51]：一是生物学机制认知的局限，需建立整合多类调控元件的综合性多组学数据库；二是高质量功能数据稀缺，需构建支持快速迭代的高通量合成与验证平台；三是模型表征生物复杂性的能力不足，需开发融合生物物理约束与染色质动力学的新一代算法。未来最具突破性的是，生成式AI或能通过协调优化数千个调控元件，推动“全人工基因组”的设计与构建，从而创造功能超越自然生物体系的全新合成生命系统[51]。人工智能通过从头设计、功能预测和定向进化优化，自主生成非天然新型序列与结构，实现从“零”到“一”的原创性酶催化元件设计。然而，这一变革性应用仍面临若干根本性挑战[52]。一是技术限制，例如现有酶活性数据不足、AI设计酶的成功率低，需要构建多模态数据库与联邦学习破解数据瓶颈，发展融合物理规则的生成算法提高设计成功率；二是酶本身生物折叠的复杂性，需要跨尺度建模解码催化过程。未来的跨尺度建模技术将融合分子动力学模拟的原子级精度与强化学习的自适应优化能力，揭示酶与底物过渡态之间的动态耦合机制[53]。这一跨尺度方法能够突破传统单尺度模拟的局限，实现在飞秒级时间分辨率与埃级空间分辨率下，精准捕获催化过程中的关键中间态、活性位点微环境的动态演化，以及涉及辅因子的电子转移过程[52]。人工智能在代谢网络设计中实现了从数据整合、模型构建、动态优化到功能挖掘的赋能，不仅提升了设计的效率与精度，更拓展了代谢工程的认知边界与应用范围。然而，多数AI模型（如深度学习）为“黑箱”，难以解释代谢调控机制和预测结果的生物学依据，需结合生物知识图谱或可解释AI技术，提升模型透明度，确保结果符合生理规律[54]。代谢网络具有动态性，受环境、生理状态等因素影响，现有模型对实时变化的捕捉能力有限，需结合时序分析和强化学习，构建动态代谢模型，实现精准调控[55]。未来有望结合合成生物学技术，实现代谢网络的模块化设计和标准化构建，加速生物制造领域的创新和产业化进程。在工艺优化方面，人工智能通过预测建模与知识数字化，实现工艺的理性设计与高效研发。在过程控制中，AI通过实时感知与自适应调控，确保生产过程的稳健与最优运行。过程控制中产生的新数据，可反馈至工艺优化模型，用于模型迭代与知识库更新，形成持续改进的学习循环。然而，工艺优化与过程控制通常涉及多个相互关联的变量和复杂的物理化学反应[56]，需同时优化多个目标。AI模型需处理多目标冲突，找到平衡点，但现有算法在处理高维、非线性多目标问题时仍面临挑战，可能陷入局部最优解[57]。此外，工艺优化与过程控制还需实时监控和调整，AI模型需快速响应参数变化。然而，模型训练和推理时间可能较长，难以满足实时控制需求[58]。未来，AI将驱动工艺过程从依赖人工经验的传统控制模式，演进为具备自主感知、实时决策、动态优化能力的高性能智能控制系统。收稿日期：2026-01-09 修回日期：2026-02-06 基金项目：中国科学院软科学项目“生命领域科技制高点研究——生命科学与生物技术”(GHJ-ZLZX-2025-48) *通信作者：E-mail：kymao@sinh.ac.cn 毛开云，中国科学院上海营养与健康研究所生命科学信息中心研究馆员，主要从事生物领域的情报研究，先后主持和参与国家部委、地方政府、企业等咨询项目，研究成果为决策支持提供重要支撑，获得多项华东地区和上海科技情报成果奖。主编《国际科技评估方法与实践》和《细胞治疗：技术与产业》，参编《中国生命科学与生物技术发展报告》《中国临床医学研究发展报告》等多部著作，发表论文数十篇。参考文献 [1]石婷, 宋展, 宋世怡, 等. 体外生物转化(ivBT):生物制造的新前沿.合成生物学,2024,5: 1437-60 Shi T, Song Z, Song SY, et al.In vitroBioTransformation (ivBT): a new frontier of industrial biomanufacturing. Synth Biol J, 2024, 5: 1437-60 [2]云慧敏, 陈必强, 谭天伟.中国生物制造关键技术进展与未来趋势.科技导报,2025, 43: 24-32 Yun HM,Chen BQ, Tan TW. Technology advances and future trends in China’s biomanufacturing technologies. Sci Technol Rev, 2025, 43: 24-32 [3]人民论坛.专访中国工程院院士谭天伟：生物制造何以成为中国经济增长新引擎[EB/OL]. (2025-12-17)[2026-02-04]. https://www.rmlt.com.cn/2025/1217/744387.shtml [4]NIH. Synthetic Biology[EB/OL]. (2025-09)[2026-02-04]. https://www.nibib.nih.gov/scienceeducation/science-topics/synthetic-biology#pid-29846 [5]Aluvihara S, Pestano-Gupta F, Alqasi NJK, et al. The importance of artificial intelligence (AI) tools in the modern science, engineering and technological research and innovations: areview. Am J Artif Intell, 2025,9: 229-41 [6] Martinez JPO, Speight RE, High-throughput yeast engineering in biofoundries: toward autonomous and scalable synthetic biology. FEMS Yeast Res, 2026,foag003 [7] Pennells J, Watkins P, Bowler AL, et al. Mapping the AI landscape in food science and engineering: abibliometric analysis enhanced with interactive digital tools and company case studies. Food Eng Rev, 2025,17:465-89 [8] Synbio深波. 生物制造新范式！百图生科X食气生化：用AI模型解锁气体发酵“黄金批次”，引领生物制造智能化[EB/OL]. (2025-11-04)[2026-02-04]. https://mp.weixin.qq.com/s/LJ57zldpadw6s8MzJ8xz2g [9]谭天伟. 打造生物制造新增长引擎加快发展新质生产力.新型工业化,2025, https://www.miit.gov.cn/ztzl/rdzt/xxgyhqk/tjyd/zjlt/art/2025/art_ae6812d52a694a608fb9973dcfc39d5f.html Tan TW. Build a new growth engine for bio-manufacturing and accelerate the development of new quality productive forces. J New Industrial, 2025, https://www.miit.gov.cn/ztzl/rdzt/xxgyhqk/tjyd/zjlt/art/2025/art_ae6812d52a694a608fb9973dcfc39d5f.html [10]Groff-Vindman CS, Trump BD, Cummings CL, et al. The convergence of AI and synthetic biology: the looming deluge. NPJ Biomed Innov, 2025,https://doi.org/10.1038/s44385-025-00021-1 [11]Onofri S, Moeller R, Billi D, et al. Synthetic biology for space exploration. NPJ Microgravity, 2025, 11: 41 [12]上海市人民政府. 解码深海生物宇宙“暗物质”联合国“海洋十年”DOME大科学计划在沪启动全球总部设在临港[EB/OL]. (2025-06-21)[2025-12-16] https://www.shanghai.gov.cn [13]中国地质大学（武汉）CUG-China团队. 生物采矿：用微生物“挖矿”的新思路[EB/OL]. (2025-07-30)[2025-12-24] https://mp.weixin.qq.com/s/NAzKOI0-pDrNvhsEZUM_tQ [14] Zhang YH, Sun JB, Ma YH. Biomanufacturing: history and perspective. J Ind Microbiol Biotechnol, 2017, 44: 773-84 [15]转化子. 上海合成生物与生物制造产业发展白皮书(2025)[EB/OL]. (2026-01-01)[2026-01-20]. https://mp.weixin.qq.com/s/qOC_-xCDsM6vI04W1RUedA [16] Martin VJJ, Pitera DJ, Withers ST, et al. Engineering a mevalonate pathway inEscherichia colifor production of terpenoids. Nat Biotechnol, 2003,21:796-802 [17] Galanie S, Thodey K, Trenchard IJ, et al. Complete biosynthesis of opioids in yeast. Science, 2015,349:1095-100 [18] Cai T, Sun H, Qiao J, et al. Cell-free chemoenzymatic starch synthesis from carbon dioxide. Science, 2021,373:1523-7 [19] World Trade Organization. RNAi-based approaches to pest management in agricultural production systems[EB/OL]. (2024-11-11)[2026-02-01]. https://www.wto.org/library/events/event_resources/sps_11112024/561_1932.pdf [20] Kitano S, Lin C, Foo JL, et al. Synthetic biology: learning the way toward high-precision biological design. PLoS Biol, 2023,21:e3002116 [21] Kumagai K, Chiba A, Yajima H. Design biology and mind-body health. J Genet Eng Biotechnol, 2025,23:100621 [22] Google DeepMind. AlphaFold[EB/OL]. [2026-02-05]. https://deepmind.google/science/alphafold/ [23] Zeng X, Wang F, Luo Y, et al. Deep generative molecular design reshapes drug discovery. Cell Rep Med, 2022,3:100794 [24] Chao R, Mishra S, Si T, et al. Engineering biological systems using automated biofoundries. Metab Eng, 2017,42:98-108 [25]合成生物学期刊. 深圳理工大学合成生物学院院长张先恩：以合成生物学和人工智能为代表的生物制造5.0阶段已经到来[EB/OL].(2024-09-25)[2026-02-04].https://mp.weixin.qq.com/s/bElBIcl7sNcJ5eeKUAa42Q [26] Yang G, Li J, Wang Q, et al. A comprehensive survey on artificial intelligence for biomolecule design. The Innovation Life, 2026,4:100196 [27] DaSilva LF, Senan S, Kribelbauer-Swietek JF, et al. Designing synthetic regulatory elements using the generative AI framework DNA-Diffusion. Nat Genet, 2026,58:180-94 [28] Dai XP, Meng XC, Zhou YJ, et al.De novodesign of high-performance Sec-type signal peptide via a hybrid deep learning architecture. JACS Au, 2025,5: 4669-74 [29] Lauko A, Pellock SJ, Sumida KH, et al. Computational design of serine hydrolases. Science, 2025, 388: eadu2454 [30] Watson JL, Juergens D, Bennett NR, et al. De novo design of protein structure and function with RFdiffusion. Nature, 2023, 620: 1089-100 [31] Anishchenko I, Kipnis Y, Kalvet I, et al. Modeling protein-small moleculeconformational ensembles with PLACER. Proc Natl Acad Sci U S A,2025, 122: e2427161122 [32] Ruffolo JA, Nayfach S, Gallagher J, et al. Design of highly functional genome editors by modelingCRISPR-Cas sequences. Nature, 2025,645:518-25 [33] Zhang Q, Chen W, Qin M, et al. Integrating protein language models and automatic biofoundry for enhanced protein evolution. Nat Commun, 2025, 16: 1553 [34] Li J, Liao Q, Zhou H, et al. Multi-omics analyses reveal regulatory networks underpinning metabolite biosynthesis in Nicotiana tabacum. Nat Commun, 2025, 16:10339 [35] Yu J, Cheng K, Qu S, et al. Genome-scale metabolic modeling guidedEscherichia coliengineering forde novobiosynthesis of chrysanthemic acid. Adv Sci (Weinh), 2026,3:e12736 [36]Cheng Y, Yu W, Bi X, et al. CarveAdornCurate: a versatile cloud-based platform for constructing multiscale metabolic models. Trends Biotechnol, 2025, 43: 1234-59 [37] Han WS, Xiao LC, Sun HC, et al. AlphaGEM enables precise genome-scale metabolic modelling by integrating protein structure alignment with deep-learning-based dark metabolism mining. bioRxiv, 2025, doi: 10.1101/2025.07.21.665674 [38] Brixi G, Durrant MG, Ku J, et al. Genome modeling and design across all domains of life with Evo 2. bioRxiv, 2025, doi: 10.1101/2025.02.18.638918 [39] Nguyen E, Poli M, Durrant MG, et al. Sequence modeling and design from molecular to genome scale with Evo. Science, 2024,386:eado9336 [40] KingSH, DriscollCL, LiDB , et al. Generative design of novel bacteriophages with genome language models. bioRxiv, 2025, doi: 10.1101/2025.09.12.675911 [41]Zhu J, Meng Y, Gao W, et al. AI-driven high-throughput droplet screening of cell-free gene expression. Nat Commun, 2025, 16: 2720 [42]无锡市人民政府. 无锡合成生物成果首发[EB/OL]. (2025-12-08)[2025-12-20]. https://www.wuxi.gov.cn/doc/2025/12/08/4694245.shtml [43]马菁平, 王海鹏, 董强, 等. 无细胞蛋白质合成技术的发展：从实验室到工业制造. 生命科学, 2025, 37: 904-18 Ma JP, Wang HP, Dong Q, et al.The advancement of cell-free protein synthesis: ajourney from laboratory bench to industrial manufacturing. Chin Bull Life Sci, 2025, 37: 904-18 [44] Xu F, Wang Y, Gao H, et al. Artificial intelligence-driven dynamic regulation for high-efficiency gentamicin C1a production. Green Chem, 2025, 27: 13436-54 [45]虹摹生物. “虹摹易智（MOZI）”正式上线！虹摹生物携手易智唯思打造AI生物制造新引擎[EB/OL]. (2025-10-28)[2025-12-24]. https://mp.weixin.qq.com/s/IQiNfa-dyQmwFQI-LcmmKw [46]华为云. 生物岛实验室联合华为云等发布“生鸿”操作系统[EB/OL]. (2025-12-10)[2025-12-26]. https://mp.weixin.qq.com/s/8M2GH6trVEHUbvxeani3UA [47] Xu F, Su L, Gao H, et al. Harnessing near-infrared and raman spectral sensing and artificial intelligence for real-time monitoring and precision control of bioprocess. Bioresour Technol, 2025, 421: 132204 [48]科创闵行. 交大最新AI成果发布：既“准时”，又靠谱！[EB/OL]. (2025-05-13)[2025-12-28]. https://mp.weixin.qq.com/s/Rihngh2rBKH2fQnOzDGTqQ [49]中华人民共和国工业和信息化部. 工业和信息化部办公厅关于印发人工智能在生物制造领域典型应用案例（第一批）的通知[EB/OL]. (2025-08-12)[2026-02-05].https://www.miit.gov.cn/zwgk/zcwj/wjfb/tz/art/2025/art_c56a8d650d894f1dbd2575265a010c20.html [50]刘欢, 郭发旭, 赵晓燕,等. 人工智能在DNA设计中的研究进展. 生物技术通报,2026, 42: 51-66 Liu H, Guo FX, ZhaoXY, et al. Advances in artificial intelligence for DNA design. Biotechnol Bull, 2026, 42: 51-66 [51] Yang G, Li J, Wang Q, et al. A comprehensive survey on artificial intelligence for biomolecule design. Innov Life, 2026,4:100196 [52]Lu XF, Cao M, Ma MQ, et al. Accelerating enzyme engineering with artificial intelligence in biocatalysis: challenges and opportunities. Food Bioeng, 2025,4:589-611 [53] Jurich C, Shao QZ, Ran, XC, et al. Physics-based modeling in the new era of enzyme engineering. Nat Comput Sci, 2025,5:279–91 [54] Holst JJ, Schéele C, Scherer PE, et al. Artificial intelligence in metabolic research. Nat Metab, 2025, 7:2183–6 [55] Hu ZJ, Qian JY, Wang YZ, et al. Current status and applications of genome-scale metabolic models of oleaginous microorganisms. Food Bioeng, 2024,3:492-511 [56]夏建业, 刘晶, 庄英萍.人工智能时代发酵优化与放大技术的机遇与挑战.生物工程学报,2022, 38: 4180-99 Xia JY, Liu J, Zhuang YP. Opportunities and challenges in fermentation optimization and scale-up technologies in the era of artificial intelligence. Chin J Biotechnol, 2022, 38: 4180-99 [57]Chen WY, Zhang XY, Lin BJ, et al. Gradient-based multi-objective deep learning: algorithms, theories, applications, and beyond. arXiv, 2025, doi: 10.48550/arXiv.2501.10945 [58]柴天佑, 郑锐, 邢方新, 等. 工业过程控制智能化及未来发展展望. 中国科学: 信息科学,2025, 55:1555-70 Chai TY, Zheng R, Xing FX. Intelligence for industrial process control: development and prospects. Sci Sin Inform, 2025, 55: 1555-70 来源：原文刊登于《生命科学》2026年第38卷第02期长按左边二维码感谢您关注国科农研院微信公众号

微生物疗法

2026-02-18

·发酵圈

2025年生命与健康领域年度盘点 | 人工智能驱动的生物制造进展与趋势

关注我们获取更多精彩资讯原文刊登于《生命科学》2026年第38卷第02期人工智能驱动的生物制造进展与趋势江源#，杨露#，王琼，刘晓，毛开云* （中国科学院上海生命科学信息中心，中国科学院上海营养与健康研究所，上海200031）摘要：生物制造正经历从经验驱动向数据驱动的范式转变，人工智能在其中发挥着重要作用。本文综述了2025年人工智能在生物制造核心环节——包括生物元件设计、代谢网络建模、人工生命系统与无细胞合成系统构建、工艺优化与过程控制等方面的最新进展。尽管当前仍面临生物机制认知局限、数据稀缺、模型可解释性不足等挑战，未来随着人工智能与合成生物学、自动化技术的深度融合，将推动生物制造向可编程、智能化、可持续的新一代工业体系跨越，为医药、化工等领域的绿色转型提供核心驱动力。关键词：生物制造；数据驱动；人工智能；合成生物学中图分类号：Q819；TP18文献标志码：A 生物制造以可再生资源为原料，利用生物系统（如活体微生物、动/植物细胞、体外合成酶系统等）进行物质加工与合成，通过发酵等工艺规模化生产化学品、高分子材料等产品[1]，推动了医药、食品、材料、能源等产业的发展。生物制造的发展经历了基础研究和产业应用的持续演进[2]。早期阶段主要依赖传统微生物发酵，随着合成生物学与人工智能（artificial intelligence，AI）的发展，生物制造正经历从经验驱动到数据驱动、从试错探索到智能设计的范式转变[3]。这一转变为构建可编程、可预测、可扩展的生物制造体系提供了关键支撑。合成生物学通过系统性设计与构建，开发新型生物元件、装置和系统，并对现有生物系统进行功能重编程[4]。这一交叉学科融合了生物学、工程学、遗传学、化学与计算机科学的理论与方法，致力于创造自然界中尚未存在的人工生物系统，或对天然生物系统进行定向改造与功能优化。AI在海量数据处理、复杂模式识别与预测模型构建等方面展现出超越传统方法的卓越效能，它的核心是创建能执行学习、推理、决策等任务的算法与系统[5]。AI通过提供预测建模工具、整合复杂数据集等方式加速实验流程和效率。例如，AI驱动的技术流程通过指导基因设计、预测发酵性能并优化代谢途径，系统性提升合成生物学效率和精准度[6]。过程建模与控制是AI的另一个重要应用。AI算法分析生产过程中产生的大量数据集，以确定温度、pH值、营养水平和其他关键变量的最佳参数[7]。例如，在发酵过程中，AI可以定义“黄金曲线”（即整个过程中的理想条件），并在出现偏差时提出纠正措施[8]。该技术还能通过自动化分析复杂数据集、识别关键变量并预测最佳条件，从而增强实验设计。这有助于构建更稳健、可扩展的工艺流程，持续生产出高质量的产品，并将批次间的差异降至最低。生物制造正以可再生原料为基础，以智能化生产方式为路径，以循环经济为导向，逐步构建起高效、低碳、可持续的新型工业体系[9]（图1）。在原料层面，以非粮生物质为核心生产原料，推动资源利用向可持续方向转型；在技术层面，以合成生物学“设计-构建-测试-学习”（design-build-test-learn，DBTL）循环为核心，结合AI、自动化技术及数据决策系统形成闭环[10]；在应用层面，已覆盖医药、食品、化工、材料、环境等关键领域，并将向深空[11]、深海[12]、深地[13]等未来场景拓展。图1 高效、低碳、可持续的生物制造高效、低碳、可持续的生物制造以秸秆/农业废弃物和一碳气体等非粮生物质为可再生原料，构建低碳循环路径，实现碳减排与生态协同效应；以合成生物学“设计-构建-测试-学习”（design-build-test-learn，DBTL）循环为核心，结合人工智能（artificial intelligence，AI）（预测-优化-挖掘-生成）与自动化技术（编程-执行-采集-集成），形成可编程生物系统。系统涵盖细胞工厂与无细胞合成系统，通过发酵过程关键参数（温度、pH、溶解氧）的实时监测与控制，推进制造过程精准化。应用覆盖医药健康、农业食品、化工材料、环境能源四大领域，并向深空、深海等未来场景拓展，形成“原料-技术-产品-产业”闭环。从实验室技术转化到产业协同升级，推动传统企业向生物解决方案提供商转型，支撑“双碳”目标实现与循环经济发展（注：部分元素由AI生成）。1 生物制造发展阶段依据生产方式、核心技术和产品类型，生物制造的发展可分为四个阶段[14]（表1）。生物制造1.0始于第一次世界大战时期，主要通过单一菌种厌氧发酵，实现糖类原料向初级代谢产物（如丙酮、丁醇、乙醇等）转化。生物制造2.0发端于第二次世界大战期间，采用经诱变选育的微生物突变体，结合液态深层好氧发酵工艺，实现以青霉素、四环素、链霉素等为代表的次生代谢产物制造。20世纪80年代，以重组DNA技术及细胞培养体系为标志，生物制造迈入3.0阶段。这一阶段实现了生物大分子生产，例如多种治疗性蛋白和工业用酶。当前正处于生物制造4.0的成形与深化时期，以合成生物学技术为代表，推动生物制造往“新生产方式、新产品、可持续”方向发展[15]，例如工程大肠杆菌合成抗疟药物青蒿素前体[16]、工程酵母合成阿片类药物[17]、二氧化碳人工合成淀粉[18]和首个商业化应用的RNA生物农药（CalanthaTM）[19]等。表1 生物制造的发展阶段阶段生产方式核心技术典型产品 1.0 单一菌种厌氧液体发酵丙酮、丁醇、乙醇 2.0 诱变菌种好氧深层发酵青霉素、四环素、链霉素 3.0 转基因微生物/细胞重组DNA技术+细胞培养重组蛋白、工业酶 4.0 工程微生物、干细胞、无细胞合成系统合成生物学青蒿素前体、阿片类药物、人造淀粉、生物农药 “设计-构建-测序-学习”（desigh-bulid-test-learn，DBTL）循环是合成生物学的核心研发流程[20]。AI在DBTL循环中发挥着关键作用[21]。例如，在设计阶段，AlphaFold[22]及生成式分子设计系统[23]等模型能够预测蛋白质结构、提出合成回路方案并生成候选生物分子；在构建/测试阶段，生物铸造厂[24]通过自动化DNA合成、高通量筛选及功能实验，对AI生成的设计方案进行集成验证；在学习阶段，包括序列-功能关联、代谢输出及多组学数据在内的实验结果将反馈至AI系统，从而实现对预测模型的迭代优化。这种闭环集成使DBTL转变为自我优化的过程，显著加快发现速度、减少试错成本并提升结果可重复性。在合成生物学与AI的驱动下，生物制造4.0正迈向5.0阶段[25]。2 细胞工厂重构重构细胞工厂的核心目标是通过理性设计与系统优化，使细胞成为高效、可控、可持续的“生物反应器”。基因工程提供基因元件与基因编辑工具，为细胞工厂的设计与构建奠定基础。酶工程通过对关键酶的挖掘与设计，解决代谢途径中的限速步骤。代谢工程对代谢网络进行系统性重编程，实现途径重构和动态调控等。2.1 生物元件设计生成式AI能够创建新颖且复杂的分子结构，已成为分子设计的强大工具[26]。在DNA调控元件设计方面，DaSilva等[27]构建了名为DNA-Diffusion的生成式人工智能框架。该框架利用基于不同细胞系DNA数据训练的机器学习模型，生成长度为200个碱基对的调控元件，这些元件不仅与内源性转录因子结合，而且还具有细胞类型特异性。在信号肽设计方面，Dai等[28]开发了SPgo计算框架，通过将基于结构域组装的规则系统与基于Transformer的深度生成模型相结合，实现了Sec型信号肽的高效设计；通过该框架设计的信号肽将蛇毒肽的分泌产量提升至154 mg/L，相比传统胞内表达提高了150倍。在酶催化元件设计方面，Lauko等[29]融合了RFdiffusion[30]的蛋白质骨架生成能力与PLACER[31]的功能位点评估模块，设计出可介导多步反应的、含复杂活性位点的丝氨酸水解酶。该设计酶实现了原子级结构精度与天然酶级催化性能的双重突破。Profluent公司发布了由AI自主设计的全新基因编辑工具OpenCRISPR-1（Cas9样蛋白酶），并在人类细胞中实现基因组编辑[32]。生成式AI实现了生物元件的“从无到有”，而针对现有元件的功能提升，需要AI预测模型与自动化实验深度融合。这类平台的核心是利用AI模型快速评估序列-功能关系，并指导自动化系统进行高通量构建与筛选，形成DBTL的智能闭环。Zhang等[33]开发了基于蛋白质语言模型的自动化蛋白质进化平台PLMeAE。该平台利用ESM-2模型进行零样本预测生成候选序列，并通过自动化生命铸造工厂iBioFoundry完成高通量构建与验证，再基于实验数据训练预测模型以指导下一轮筛选。经过四轮迭代（10 d）以后，目标酶活性提升了2.4倍。2.2 代谢网络建模代谢网络模型通过整合多组学数据模拟复杂的代谢网络，是AI设计代谢网络的基石。Li等[34]通过整合多种基因与代谢物的聚类及关联分析算法，构建了覆盖烟草全基因组的代谢调控网络，识别出多个高价值代谢物合成的关键调控枢纽。Yu等[35]在基因组尺度代谢模型的指导下，设计并构建了合成菊酸的大肠杆菌细胞工厂。多尺度代谢模型通过融合化学计量学、酶动力学、热力学及转录调控等多维度约束条件，突破了传统基因组规模代谢模型的静态分析框架，可实现对细胞代谢行为的动态模拟与多层次解析。Cheng等[36]研发出名为CarveAdornCurate（CAC）的云端平台，用以高效构建多尺度代谢模型。CAC能够整合热力学约束与酶成本分析，有效识别代谢途径中的限速瓶颈，同时也支持对现有高质量模型的整理与迭代优化，目前已成功应用于谷氨酸棒状杆菌（细菌）与解脂耶氏酵母（真菌）的多尺度建模。深度学习技术在挖掘未知代谢功能、自动化建模及跨物种泛化等方面极具潜力。例如，Han等[37]开发了名为AlphaGEM的通用工具，它融合了蛋白质组尺度结构比对与深度学习预测方法，能实现从基因组数据到可直接应用的代谢模型的构建。通过集成多类深度学习工具的协同流程，AlphaGEM能够有效挖掘非同源蛋白中潜在的未知代谢功能，并已实现了对332种不同酵母物种代谢模型的高精度自动重建。此外，AlphaGEM还可以用于构建原核生物（如肺炎克雷伯菌、枯草芽孢杆菌）和小鼠的代谢模型。2.3 人工生命系统许多关键生物学功能的实现并非依赖单一基因，而是源于整个基因组所编码的复杂互作网络。因此，基因组语言模型正成为设计生物系统的前沿策略。Arc Institute、英伟达、斯坦福大学等[38]多家机构联合开发了Evo2，它是一个基于9.3万亿个DNA碱基对训练而成的生物学模型。该模型参数量达70亿至400亿，能以单核苷酸分辨率解析百万级核苷酸序列。仅通过DNA序列的自监督学习，Evo2便能准确预测遗传变异的功能影响，包括从非编码区致病性突变到临床关键基因BRCA1的致病变异。在此基础上，斯坦福大学研究人员以裂解性噬菌体ΦX174为设计模板，基于基因组语言模型Evo[39]和Evo2，生成了16种具有生命周期的噬菌体，其中部分噬菌体感染能力与ΦX174相当甚至更优，奠定了基因组尺度上生命系统生成式设计的基础[40]。3 无细胞合成系统人工智能、高通量筛选与自动化技术的融合，赋予无细胞合成系统“数据驱动+智能决策”的双重能力，构建起从海量实验数据到最优解的加速转化通道。Zhu等[41]研发的DropAI高通量组合筛选平台，通过深度融合液滴微流控技术与AI算法，将单位反应体积压缩至250pL，同时将移液操作集成于微流控芯片内部，1h可自动化生成百万级反应单元并覆盖数千种组合条件，显著提升了实验效率与数据密度。DropAI还能通过对海量筛选数据进行动态分析，识别最优组合条件并持续扩展筛选维度，形成“微流控生成-AI优化”的闭环加速体系。康码生物依托自主研发的D2P（DNA-to-Protein）无细胞蛋白质合成平台，结合D2Plab算法，实现了AI设计甜蛋白产品（儿童甜蛋白防龋齿漱口水）规模化量产与商业应用[42]。此外，康码生物还携手中国科学院上海高等研究院国家蛋白质科学研究（上海）设施，共同组建了蛋白质智造联合实验室[43]。该实验室将部署康码生物最新研发的D2Pi-2.0（DNA-to-Protein Intellgence 2.0）智能化系统，构建全球领先的自动化、高通量蛋白质合成平台。预计单日可完成数千种蛋白质的毫克级规模化制备，为功能蛋白开发、药物筛选及合成生物学研究提供了高效、精准的蛋白质制造解决方案。4 工艺优化与过程控制工艺优化通过系统性方法改进生产流程的设计、参数与资源配置，以实现产率、质量或效率的持续提升。例如，在集成建模与预测优化方面，Xu等[44]开发了融合人工神经网络-遗传算法建模、多传感器监测与代谢谱分析的综合平台，提升了庆大霉素C1a生产性能的预测精度与可靠性，为工艺参数优化提供数据基础。在知识数字化与实验设计智能化方面，易智唯思与虹摹生物联合打造的AI工程师“虹摹易智（MOZI）”，通过整合企业历史数据与专家经验，构建结构化知识库，实现隐性工艺经验的数字化沉淀，并能够自主生成高效实验方案，推动研发阶段的工艺优化[45]。在设备与数据标准化方面，广州生物岛实验室联合华为云等发布的“生鸿”工业操作系统，针对设备接口不统一、数据孤岛等问题，通过鸿蒙化改造实现设备接口与数据格式的标准化，为工艺优化的规模化实施提供基础设施支持[46]。过程控制在生产运行中通过实时监测与动态调控，使生产过程维持在最优状态，应对实时波动与干扰。在多光谱传感与实时调控方面，Xu等[47]融合近红外与拉曼光谱技术，实现对庆大霉素发酵过程的实时监测；通过进一步构建AI驱动的全自动发酵平台，基于机器学习筛选特征波长并建模，依据实时光谱数据动态调控补料速率，使目标产物产量提升33%。在自适应决策与动态优化方面，上海交通大学李金金教授团队研发的“ManuDrive”系统，引入时间维度与迁移学习能力，能够为复杂发酵过程实时生成未来最优操作方案，在新疆川宁生物的抗生素生产中显著提升产量与生产稳定性，体现了AI在实时过程控制中的自适应能力[48]。5 人工智能在生物制造领域的应用 2025年8月，在数字经济与生物经济加速融合的背景下，工业和信息化部办公厅发布了首批人工智能在生物制造领域的16个典型应用案例[49]（表2），覆盖了高性能蛋白质元件设计、代谢通路设计、细胞工厂构建、生物反应过程智能控制等多个方面，展现了AI通过数据建模、算法优化与智能决策，破解传统生物制造中存在的研发周期长、生产效率低、运行成本高等核心痛点，为行业转型升级提供了可借鉴的技术路径与产业化范式。表2人工智能在生物制造领域的典型应用案例（第一批）序号案例名称场景申报单位案例简介 1 基于 AI 大模型高效改造药用酶用于酶替代疗法高性能蛋白质元件设计及构建百图生科(北京) 智能技术有限公司通过自主研发的AI大模型，针对现有酶设计相应突变并进行了多目标优化，有效提高酶的活性和稳定性，实现高效筛选潜在靶点、设计药物分子、预测药物效果并降低免疫响应 2 蛋白质工程大模型AIACCLBIOTM 高性能蛋白质元件设计及构建上海天鹜科技有限公司自主研发蛋白质通用 AI模型，在90亿条蛋白质数据基础上，结合小样本学习算法和干湿迭代模式，实现“从序列到功能”的端到端预测，摸索出AI设计加少量实验的新范式 3 人工智能驱动酶法高效生物合成并实现产业化应用高性能蛋白质元件设计及构建上海智峪生物科技有限公司自主开发“ZCloud”生物计算平台和“ZBot”实验验证平台，基于机器学习和大语言模型从海量生物数据库中推理合成路径，解决“寻酶、挖酶、改酶”等酶工程核心痛点，极大提高酶法合成效率 4 应用人工智能技术实现全人源抗体药物发现技术革新高性能蛋白质元件设计及构建广州赛业百沐生物科技有限公司自主打造AbSeekTM抗体智能计算平台，通过灵活和可扩展的多层架构设计，构建“干湿结合”全人源抗体发现系统，突破天然抗体库限制，极大压缩抗体筛选周期和抗体药物研发成本 5 应用生成式人工智能模型结合高质量DNA 数据集实现超长DNA 高效持续合成高性能蛋白质元件设计及构建涌源合生科技(深圳)有限公司通过并行合成数千变体并借助AI大模型开展智能化序列分析和性能预测，极大提升酶序列空间探索及酶性能迭代改进速度，实现 piDNA 聚合酶的快速发现与优化，突破超长DNA合成难题 6 蛋白质智能预测和改造技术实现极端蛋白元件高效挖掘和性能优化高性能蛋白质元件设计及构建常州新一产生命科技有限公司自主研发极端蛋白通用 AI预测和改造模型，解决了当前极端蛋白挖掘范围窄、通量低、筛选和改造成本高等突出问题，精准挖掘50 000 余个具有工业应用价值的极端蛋白元件 7 应用人工智能辅助重组胶原蛋白精准设计高性能蛋白质元件设计及构建江苏创健医疗科技股份有限公司运用AI+BT技术，发掘关键性细胞结合位点，并进行蛋白序列设计与作用机制模拟验证打通干湿实验闭环，精准发掘靶点、设计蛋白序列并优化发酵纯化工艺，实现特殊型别分子重组胶原蛋白高效规模量产 8 应用全原子蛋白质生成技术赋能AI蛋白质序列设计并实现工业化应用高性能蛋白质元件设计及构建杭州力文所生物科技有限公司自主研发AI平台 Lésign®，创新融合蛋白质大语言模型与共进化理论，实现氨基酸协同突变关系的精准解析，显著提升蛋白质序列设计成功率 9 应用人工智能技术推动蛋白质从头设计高性能蛋白质元件设计及构建安徽元构生物科技有限公司自主研发蛋白质AI设计算法SCUBA和ABACUS，提出“主链生成+功能序列设计”双引擎设计方法，突破了蛋白质结构从头精准设计、多功能位点融合等共性复杂问题 10 打造大数据和人工智能驱动的代谢通路智能设计平台赋能生物制造全流程开发代谢通路的设计及优化武汉丽合智造生物科技有限公司构建多模态生物大数据引擎RxnFinder®，采用基于深度学习模型挖掘的底物分子指纹特征和酶序列特征关系知识图谱，精准获取催化特定底物分子结构转化的候选酶，实现生物合成“大数据挖掘—智能通路设计—实验验证”全流程AI驱动 11 智能化AI平台驱动的稳定高表达细胞株构建细胞工厂的构建及优化北京昭衍生物技术有限公司整合机器学习算法、大数据挖掘和计算机视觉技术，打造集AI筛选、预测、构建于一体的智能化细胞工厂开发平台，构建高产高质量的生物制造细胞株 12 数据驱动的芳香族化合物细胞工厂设计构建、微流控高通量编辑选育及应用细胞工厂的构建及优化中国科学院天津工业生物技术研究所自主构建大肠杆菌多约束细胞模型，开发基于细胞模型的途径设计算法QHEPath以及大模型辅助的菌种改造专家系统，结合高通量微流控技术构建芳香族化学品高效合成细胞工厂 13 构建高效细胞工厂实现生物制造替代化学合成方式生产香兰素细胞工厂的构建及优化陕西海斯夫生物工程有限公司自主构建“AI+全链路”的蛋白质虚拟筛选平台，系统优化香兰素生物合成路径中的关键酶，构建香兰素高效合成细胞工厂 14 应用SemDB数据库技术实现大规模生物制造过程全链条精准工艺控制和AI大数据分析生物反应过程的智能控制北京诚益通控制技术集团股份有限公司利用工艺参数大数据分析、AI模型预测、机器学习算法等技术，有效解决生产中工艺过程黑箱化、工艺数据滞后等瓶颈问题，实现生产稳定性提升与原料高效利用 15 应用代谢网络模型及深度学习技术实现大肠杆菌培养过程在线代谢分析生物反应过程的智能控制迪必尔生物工程 (上海)有限公司自主研发微生物培养代谢流智能动态优化系统，实现胞内代谢通量的实时解析，建立生物发酵过程智能调控系统，实现从宏观参数监测到代谢底层调控的跨越 16 应用智能技术实现生物制造过程精准控制生物反应过程的智能控制宜昌东阳光生化制药有限公司开发基于因果卷积特征工程的注意力网络结构混合模型，实现发酵过程关键控制点智能预测，解决生产控制滞后于生物反应过程的问题 6 总结与展望人工智能能够学习调控元件的“语法”规则，设计出具有特定活性和特异性的DNA调控元件。如DNA-Diffusion模型可生成在目标细胞中活性高、在非目标细胞中活性低的序列，实现细胞特异性调控。AI驱动的DNA设计在取得突破性进展的同时，仍面临一系列相互关联的核心挑战[50]-[51]：一是生物学机制认知的局限，需建立整合多类调控元件的综合性多组学数据库；二是高质量功能数据稀缺，需构建支持快速迭代的高通量合成与验证平台；三是模型表征生物复杂性的能力不足，需开发融合生物物理约束与染色质动力学的新一代算法。未来最具突破性的是，生成式AI或能通过协调优化数千个调控元件，推动“全人工基因组”的设计与构建，从而创造功能超越自然生物体系的全新合成生命系统[51]。人工智能通过从头设计、功能预测和定向进化优化，自主生成非天然新型序列与结构，实现从“零”到“一”的原创性酶催化元件设计。然而，这一变革性应用仍面临若干根本性挑战[52]。一是技术限制，例如现有酶活性数据不足、AI设计酶的成功率低，需要构建多模态数据库与联邦学习破解数据瓶颈，发展融合物理规则的生成算法提高设计成功率；二是酶本身生物折叠的复杂性，需要跨尺度建模解码催化过程。未来的跨尺度建模技术将融合分子动力学模拟的原子级精度与强化学习的自适应优化能力，揭示酶与底物过渡态之间的动态耦合机制[53]。这一跨尺度方法能够突破传统单尺度模拟的局限，实现在飞秒级时间分辨率与埃级空间分辨率下，精准捕获催化过程中的关键中间态、活性位点微环境的动态演化，以及涉及辅因子的电子转移过程[52]。人工智能在代谢网络设计中实现了从数据整合、模型构建、动态优化到功能挖掘的赋能，不仅提升了设计的效率与精度，更拓展了代谢工程的认知边界与应用范围。然而，多数AI模型（如深度学习）为“黑箱”，难以解释代谢调控机制和预测结果的生物学依据，需结合生物知识图谱或可解释AI技术，提升模型透明度，确保结果符合生理规律[54]。代谢网络具有动态性，受环境、生理状态等因素影响，现有模型对实时变化的捕捉能力有限，需结合时序分析和强化学习，构建动态代谢模型，实现精准调控[55]。未来有望结合合成生物学技术，实现代谢网络的模块化设计和标准化构建，加速生物制造领域的创新和产业化进程。在工艺优化方面，人工智能通过预测建模与知识数字化，实现工艺的理性设计与高效研发。在过程控制中，AI通过实时感知与自适应调控，确保生产过程的稳健与最优运行。过程控制中产生的新数据，可反馈至工艺优化模型，用于模型迭代与知识库更新，形成持续改进的学习循环。然而，工艺优化与过程控制通常涉及多个相互关联的变量和复杂的物理化学反应[56]，需同时优化多个目标。AI模型需处理多目标冲突，找到平衡点，但现有算法在处理高维、非线性多目标问题时仍面临挑战，可能陷入局部最优解[57]。此外，工艺优化与过程控制还需实时监控和调整，AI模型需快速响应参数变化。然而，模型训练和推理时间可能较长，难以满足实时控制需求[58]。未来，AI将驱动工艺过程从依赖人工经验的传统控制模式，演进为具备自主感知、实时决策、动态优化能力的高性能智能控制系统。收稿日期：2026-01-09 修回日期：2026-02-06 基金项目：中国科学院软科学项目“生命领域科技制高点研究——生命科学与生物技术”(GHJ-ZLZX-2025-48) *通信作者：E-mail：kymao@sinh.ac.cn 毛开云，中国科学院上海营养与健康研究所生命科学信息中心研究馆员，主要从事生物领域的情报研究，先后主持和参与国家部委、地方政府、企业等咨询项目，研究成果为决策支持提供重要支撑，获得多项华东地区和上海科技情报成果奖。主编《国际科技评估方法与实践》和《细胞治疗：技术与产业》，参编《中国生命科学与生物技术发展报告》《中国临床医学研究发展报告》等多部著作，发表论文数十篇。参考文献 [1]石婷, 宋展, 宋世怡, 等. 体外生物转化(ivBT):生物制造的新前沿.合成生物学,2024,5: 1437-60 Shi T, Song Z, Song SY, et al.In vitroBioTransformation (ivBT): a new frontier of industrial biomanufacturing. Synth Biol J, 2024, 5: 1437-60 [2]云慧敏, 陈必强, 谭天伟.中国生物制造关键技术进展与未来趋势.科技导报,2025, 43: 24-32 Yun HM,Chen BQ, Tan TW. Technology advances and future trends in China’s biomanufacturing technologies. Sci Technol Rev, 2025, 43: 24-32 [3]人民论坛.专访中国工程院院士谭天伟：生物制造何以成为中国经济增长新引擎[EB/OL]. (2025-12-17)[2026-02-04]. https://www.rmlt.com.cn/2025/1217/744387.shtml [4]NIH. Synthetic Biology[EB/OL]. (2025-09)[2026-02-04]. https://www.nibib.nih.gov/scienceeducation/science-topics/synthetic-biology#pid-29846 [5]Aluvihara S, Pestano-Gupta F, Alqasi NJK, et al. The importance of artificial intelligence (AI) tools in the modern science, engineering and technological research and innovations: areview. Am J Artif Intell, 2025,9: 229-41 [6] Martinez JPO, Speight RE, High-throughput yeast engineering in biofoundries: toward autonomous and scalable synthetic biology. FEMS Yeast Res, 2026,foag003 [7] Pennells J, Watkins P, Bowler AL, et al. Mapping the AI landscape in food science and engineering: abibliometric analysis enhanced with interactive digital tools and company case studies. Food Eng Rev, 2025,17:465-89 [8] Synbio深波. 生物制造新范式！百图生科X食气生化：用AI模型解锁气体发酵“黄金批次”，引领生物制造智能化[EB/OL]. (2025-11-04)[2026-02-04]. https://mp.weixin.qq.com/s/LJ57zldpadw6s8MzJ8xz2g [9]谭天伟. 打造生物制造新增长引擎加快发展新质生产力.新型工业化,2025, https://www.miit.gov.cn/ztzl/rdzt/xxgyhqk/tjyd/zjlt/art/2025/art_ae6812d52a694a608fb9973dcfc39d5f.html Tan TW. Build a new growth engine for bio-manufacturing and accelerate the development of new quality productive forces. J New Industrial, 2025, https://www.miit.gov.cn/ztzl/rdzt/xxgyhqk/tjyd/zjlt/art/2025/art_ae6812d52a694a608fb9973dcfc39d5f.html [10]Groff-Vindman CS, Trump BD, Cummings CL, et al. The convergence of AI and synthetic biology: the looming deluge. NPJ Biomed Innov, 2025,https://doi.org/10.1038/s44385-025-00021-1 [11]Onofri S, Moeller R, Billi D, et al. Synthetic biology for space exploration. NPJ Microgravity, 2025, 11: 41 [12]上海市人民政府. 解码深海生物宇宙“暗物质”联合国“海洋十年”DOME大科学计划在沪启动全球总部设在临港[EB/OL]. (2025-06-21)[2025-12-16] https://www.shanghai.gov.cn [13]中国地质大学（武汉）CUG-China团队. 生物采矿：用微生物“挖矿”的新思路[EB/OL]. (2025-07-30)[2025-12-24] https://mp.weixin.qq.com/s/NAzKOI0-pDrNvhsEZUM_tQ [14] Zhang YH, Sun JB, Ma YH. Biomanufacturing: history and perspective. J Ind Microbiol Biotechnol, 2017, 44: 773-84 [15]转化子. 上海合成生物与生物制造产业发展白皮书(2025)[EB/OL]. (2026-01-01)[2026-01-20]. https://mp.weixin.qq.com/s/qOC_-xCDsM6vI04W1RUedA [16] Martin VJJ, Pitera DJ, Withers ST, et al. Engineering a mevalonate pathway inEscherichia colifor production of terpenoids. Nat Biotechnol, 2003,21:796-802 [17] Galanie S, Thodey K, Trenchard IJ, et al. Complete biosynthesis of opioids in yeast. Science, 2015,349:1095-100 [18] Cai T, Sun H, Qiao J, et al. Cell-free chemoenzymatic starch synthesis from carbon dioxide. Science, 2021,373:1523-7 [19] World Trade Organization. RNAi-based approaches to pest management in agricultural production systems[EB/OL]. (2024-11-11)[2026-02-01]. https://www.wto.org/library/events/event_resources/sps_11112024/561_1932.pdf [20] Kitano S, Lin C, Foo JL, et al. Synthetic biology: learning the way toward high-precision biological design. PLoS Biol, 2023,21:e3002116 [21] Kumagai K, Chiba A, Yajima H. Design biology and mind-body health. J Genet Eng Biotechnol, 2025,23:100621 [22] Google DeepMind. AlphaFold[EB/OL]. [2026-02-05]. https://deepmind.google/science/alphafold/ [23] Zeng X, Wang F, Luo Y, et al. Deep generative molecular design reshapes drug discovery. Cell Rep Med, 2022,3:100794 [24] Chao R, Mishra S, Si T, et al. Engineering biological systems using automated biofoundries. Metab Eng, 2017,42:98-108 [25]合成生物学期刊. 深圳理工大学合成生物学院院长张先恩：以合成生物学和人工智能为代表的生物制造5.0阶段已经到来[EB/OL].(2024-09-25)[2026-02-04].https://mp.weixin.qq.com/s/bElBIcl7sNcJ5eeKUAa42Q [26] Yang G, Li J, Wang Q, et al. A comprehensive survey on artificial intelligence for biomolecule design. The Innovation Life, 2026,4:100196 [27] DaSilva LF, Senan S, Kribelbauer-Swietek JF, et al. Designing synthetic regulatory elements using the generative AI framework DNA-Diffusion. Nat Genet, 2026,58:180-94 [28] Dai XP, Meng XC, Zhou YJ, et al.De novodesign of high-performance Sec-type signal peptide via a hybrid deep learning architecture. JACS Au, 2025,5: 4669-74 [29] Lauko A, Pellock SJ, Sumida KH, et al. Computational design of serine hydrolases. Science, 2025, 388: eadu2454 [30] Watson JL, Juergens D, Bennett NR, et al. De novo design of protein structure and function with RFdiffusion. Nature, 2023, 620: 1089-100 [31] Anishchenko I, Kipnis Y, Kalvet I, et al. Modeling protein-small moleculeconformational ensembles with PLACER. Proc Natl Acad Sci U S A,2025, 122: e2427161122 [32] Ruffolo JA, Nayfach S, Gallagher J, et al. Design of highly functional genome editors by modelingCRISPR-Cas sequences. Nature, 2025,645:518-25 [33] Zhang Q, Chen W, Qin M, et al. Integrating protein language models and automatic biofoundry for enhanced protein evolution. Nat Commun, 2025, 16: 1553 [34] Li J, Liao Q, Zhou H, et al. Multi-omics analyses reveal regulatory networks underpinning metabolite biosynthesis in Nicotiana tabacum. Nat Commun, 2025, 16:10339 [35] Yu J, Cheng K, Qu S, et al. Genome-scale metabolic modeling guidedEscherichia coliengineering forde novobiosynthesis of chrysanthemic acid. Adv Sci (Weinh), 2026,3:e12736 [36]Cheng Y, Yu W, Bi X, et al. CarveAdornCurate: a versatile cloud-based platform for constructing multiscale metabolic models. Trends Biotechnol, 2025, 43: 1234-59 [37] Han WS, Xiao LC, Sun HC, et al. AlphaGEM enables precise genome-scale metabolic modelling by integrating protein structure alignment with deep-learning-based dark metabolism mining. bioRxiv, 2025, doi: 10.1101/2025.07.21.665674 [38] Brixi G, Durrant MG, Ku J, et al. Genome modeling and design across all domains of life with Evo 2. bioRxiv, 2025, doi: 10.1101/2025.02.18.638918 [39] Nguyen E, Poli M, Durrant MG, et al. Sequence modeling and design from molecular to genome scale with Evo. Science, 2024,386:eado9336 [40] KingSH, DriscollCL, LiDB , et al. Generative design of novel bacteriophages with genome language models. bioRxiv, 2025, doi: 10.1101/2025.09.12.675911 [41]Zhu J, Meng Y, Gao W, et al. AI-driven high-throughput droplet screening of cell-free gene expression. Nat Commun, 2025, 16: 2720 [42]无锡市人民政府. 无锡合成生物成果首发[EB/OL]. (2025-12-08)[2025-12-20]. https://www.wuxi.gov.cn/doc/2025/12/08/4694245.shtml [43]马菁平, 王海鹏, 董强, 等. 无细胞蛋白质合成技术的发展：从实验室到工业制造. 生命科学, 2025, 37: 904-18 Ma JP, Wang HP, Dong Q, et al.The advancement of cell-free protein synthesis: ajourney from laboratory bench to industrial manufacturing. Chin Bull Life Sci, 2025, 37: 904-18 [44] Xu F, Wang Y, Gao H, et al. Artificial intelligence-driven dynamic regulation for high-efficiency gentamicin C1a production. Green Chem, 2025, 27: 13436-54 [45]虹摹生物. “虹摹易智（MOZI）”正式上线！虹摹生物携手易智唯思打造AI生物制造新引擎[EB/OL]. (2025-10-28)[2025-12-24]. https://mp.weixin.qq.com/s/IQiNfa-dyQmwFQI-LcmmKw [46]华为云. 生物岛实验室联合华为云等发布“生鸿”操作系统[EB/OL]. (2025-12-10)[2025-12-26]. https://mp.weixin.qq.com/s/8M2GH6trVEHUbvxeani3UA [47] Xu F, Su L, Gao H, et al. Harnessing near-infrared and raman spectral sensing and artificial intelligence for real-time monitoring and precision control of bioprocess. Bioresour Technol, 2025, 421: 132204 [48]科创闵行. 交大最新AI成果发布：既“准时”，又靠谱！[EB/OL]. (2025-05-13)[2025-12-28]. https://mp.weixin.qq.com/s/Rihngh2rBKH2fQnOzDGTqQ [49]中华人民共和国工业和信息化部. 工业和信息化部办公厅关于印发人工智能在生物制造领域典型应用案例（第一批）的通知[EB/OL]. (2025-08-12)[2026-02-05].https://www.miit.gov.cn/zwgk/zcwj/wjfb/tz/art/2025/art_c56a8d650d894f1dbd2575265a010c20.html [50]刘欢, 郭发旭, 赵晓燕,等. 人工智能在DNA设计中的研究进展. 生物技术通报,2026, 42: 51-66 Liu H, Guo FX, ZhaoXY, et al. Advances in artificial intelligence for DNA design. Biotechnol Bull, 2026, 42: 51-66 [51] Yang G, Li J, Wang Q, et al. A comprehensive survey on artificial intelligence for biomolecule design. Innov Life, 2026,4:100196 [52]Lu XF, Cao M, Ma MQ, et al. Accelerating enzyme engineering with artificial intelligence in biocatalysis: challenges and opportunities. Food Bioeng, 2025,4:589-611 [53] Jurich C, Shao QZ, Ran, XC, et al. Physics-based modeling in the new era of enzyme engineering. Nat Comput Sci, 2025,5:279–91 [54] Holst JJ, Schéele C, Scherer PE, et al. Artificial intelligence in metabolic research. Nat Metab, 2025, 7:2183–6 [55] Hu ZJ, Qian JY, Wang YZ, et al. Current status and applications of genome-scale metabolic models of oleaginous microorganisms. Food Bioeng, 2024,3:492-511 [56]夏建业, 刘晶, 庄英萍.人工智能时代发酵优化与放大技术的机遇与挑战.生物工程学报,2022, 38: 4180-99 Xia JY, Liu J, Zhuang YP. Opportunities and challenges in fermentation optimization and scale-up technologies in the era of artificial intelligence. Chin J Biotechnol, 2022, 38: 4180-99 [57]Chen WY, Zhang XY, Lin BJ, et al. Gradient-based multi-objective deep learning: algorithms, theories, applications, and beyond. arXiv, 2025, doi: 10.48550/arXiv.2501.10945 [58]柴天佑, 郑锐, 邢方新, 等. 工业过程控制智能化及未来发展展望. 中国科学: 信息科学,2025, 55:1555-70 Chai TY, Zheng R, Xing FX. Intelligence for industrial process control: development and prospects. Sci Sin Inform, 2025, 55: 1555-70 END 声明：本公众号发布的文章仅为促进业内交流与学习；不用于任何商业用途，亦不构成投资建议。如涉及侵权或其他问题，请联系我们进行处理。

100 项与盐酸四环素相关的药物交易

登录后查看更多信息

外链

KEGG	Wiki	ATC	Drug Bank
D02122	盐酸四环素	J01AA07 S02AA08 S03AA02	DB00759

研发状态

10 条最早获批的记录,

后查看更多信息

适应症	国家/地区	公司	日期
感染	中国	津药和平（天津）制药有限公司	1981-01-01
急性支气管炎	日本	Sun Pharma Japan Ltd.	1964-12-01
炭疽	日本	Sun Pharma Japan Ltd.	1964-12-01
脑脓肿	日本	Sun Pharma Japan Ltd.	1964-12-01
布鲁杆菌病	日本	Sun Pharma Japan Ltd.	1964-12-01
膀胱炎	日本	Sun Pharma Japan Ltd.	1964-12-01
气性坏疽	日本	Sun Pharma Japan Ltd.	1964-12-01
淋病	日本	Sun Pharma Japan Ltd.	1964-12-01
肉芽肿	日本	Sun Pharma Japan Ltd.	1964-12-01
子宫内感染	日本	Sun Pharma Japan Ltd.	1964-12-01
喉炎	日本	Sun Pharma Japan Ltd.	1964-12-01
肺脓肿	日本	Sun Pharma Japan Ltd.	1964-12-01
淋巴结炎	日本	Sun Pharma Japan Ltd.	1964-12-01
乳腺炎	日本	Sun Pharma Japan Ltd.	1964-12-01
骨髓炎	日本	Sun Pharma Japan Ltd.	1964-12-01
牙周炎	日本	Sun Pharma Japan Ltd.	1964-12-01
咽炎	日本	Sun Pharma Japan Ltd.	1964-12-01
肺炎	日本	Sun Pharma Japan Ltd.	1964-12-01
肾盂肾炎	日本	Sun Pharma Japan Ltd.	1964-12-01
脓皮症	日本	Sun Pharma Japan Ltd.	1964-12-01

登录后查看更多信息

临床结果

适应症

分期

评价

查看全部结果

研究	分期	人群特征	评价人数	分组	结果	评价	发布日期


NCT06351891 (Pubmed \| Helicobacter)	临床4期	幽门螺杆菌感染 penicillin allergy	248	Cefuroxime-Tetracycline‐containing Bismuth Quadruple Therapy (Cef‐Tet BQT)	襯獵蓋繭鹹襯衊鏇簾齋(夢餘淵夢簾鏇餘範獵鑰) = 願醖糧獵廠襯廠鏇繭夢繭築鹽遞夢鏇淵壓鑰願 (鑰襯觸餘範鏇鏇餘廠構, 85.12% ~ 95.52) 更多	积极	2025-03-01
				Cefuroxime-Levofloxacin‐containing Bismuth Quadruple Therapy (Cef‐Lev BQT)	襯獵蓋繭鹹襯衊鏇簾齋(夢餘淵夢簾鏇餘範獵鑰) = 壓簾構觸製夢憲壓願鏇繭築鹽遞夢鏇淵壓鑰願 (鑰襯觸餘範鏇鏇餘廠構, 74.61% ~ 88.29) 更多
NCT03658733 (Pubmed \| Clin Transl Gastroenterol)	临床4期	幽门螺杆菌感染	65	Esomeprazole 40 mg or rabeprazole 20 mg	醖醖襯餘憲糧築鏇壓鹽(鑰淵顧蓋範齋積獵艱積) = 23.4% (15/64) of patients experienced drug-related TEAEs 鏇膚遞齋製憲觸鑰齋襯 (鏇衊窪醖鬱觸繭鏇願壓 )	-	2021-08-01
				Amoxicillin 1,000 mg
NCT04716426 (CTgov)	N/A	新型冠状病毒感染	100	Tetracycline hydrochloride 3% (Tetracycline Hydrochloride 3%)	獵範網遞艱齋觸網顧鏇 = 膚顧齋襯蓋齋壓積壓夢網窪鑰壓淵夢製壓醖艱 (鹽襯壓製膚鏇鬱艱餘糧, 選淵繭糧範觸構襯築蓋 ~ 網憲鑰鬱積築廠壓繭網) 更多	-	2021-04-08
				Placebo (Placebo)	獵範網遞艱齋觸網顧鏇 = 蓋繭齋鏇積築遞觸餘襯網窪鑰壓淵夢製壓醖艱 (鹽襯壓製膚鏇鬱艱餘糧, 蓋鬱鹹構襯衊簾觸選繭 ~ 觸簾網積顧齋遞鹽憲齋) 更多
UEGW2020	N/A	感染	-	Tetracycline-containing bismuth quadruple therapy	糧鏇糧艱獵鬱繭襯衊膚(糧夢鑰構鑰構鑰鬱糧構) = 鬱壓製夢壓憲鏇醖衊齋襯顧憲夢範襯糧淵網獵 (選醖獵選壓範選廠願鹹, 67 ~ 86) 更多	-	2020-10-01
				Doxycycline-containing bismuth quadruple therapy	糧鏇糧艱獵鬱繭襯衊膚(糧夢鑰構鑰構鑰鬱糧構) = 願襯觸餘繭積構膚獵鏇襯顧憲夢範襯糧淵網獵 (選醖獵選壓範選廠願鹹, 55 ~ 77) 更多
NCT03708848 (Pubmed \| Helicobacter)	临床4期	幽门螺杆菌感染一线	112	Triple therapy based on susceptibility to clarithromycin, levofloxacin, and metronidazole	築憲糧蓋窪顧艱鏇壓網(積鑰鬱繭鬱憲遞鹹選糧) = 醖鬱願構繭築衊觸膚餘簾壓繭簾鹹鹽醖鬱壓鹹 (壓顧膚蓋顧襯顧願鏇廠, 88.1% ~ 97.7%)	-	2020-08-01
				Quadruple therapy based on susceptibility to clarithromycin, levofloxacin, and metronidazole	築憲糧蓋窪顧艱鏇壓網(積鑰鬱繭鬱憲遞鹹選糧) = 襯齋醖齋蓋繭鬱襯網淵簾壓繭簾鹹鹽醖鬱壓鹹 (壓顧膚蓋顧襯顧願鏇廠, 97.1% ~ 100%)
NCT02547038 (CTgov)	N/A	幽门螺杆菌感染	352	pantoprazole+tetracycline+metronidazole+bismuth subcitrate (Pantoprazole+Bismuth+Tetra+Metro)	壓鹹構襯製糧夢鑰鑰餘 = 獵繭鹹鹽糧鑰襯願鬱願範獵築壓鬱醖膚齋壓觸 (遞衊顧製壓蓋網願築壓, 廠壓憲鏇積膚膚積鬱壓 ~ 淵構膚餘網顧衊遞願壓) 更多	-	2019-06-10
				pantoprazole+amoxicillin+metronidazole+clarithromycin ((Panto+Amox+Clar+Metr)+(Panto+Amox))	壓鹹構襯製糧夢鑰鑰餘 = 艱艱鹽觸獵鑰衊製夢網範獵築壓鬱醖膚齋壓觸 (遞衊顧製壓蓋網願築壓, 築獵願糧衊艱構衊鏇夢 ~ 構觸餘壓艱廠鹽獵膚願) 更多
NCT02547012 (CTgov)	N/A	幽门螺杆菌感染	51	levofloxacin+amoxicillin +tetracycline+esomeprazole (Esomeprazole+Amox+Levo+Tetra)	齋醖繭築餘鹹觸範衊膚 = 鑰淵鏇餘膚艱獵餘鏇夢選鑰網廠網淵膚衊選廠 (築願齋淵壓衊艱獵簾遞, 鬱顧網鏇積衊餘範糧鹽 ~ 窪艱鏇憲範網簾繭築壓) 更多	-	2019-03-14
				amox+esomeprazole (Esomeprazole+Amox+Levo)	齋醖繭築餘鹹觸範衊膚 = 窪膚糧淵壓淵鹹憲鏇獵選鑰網廠網淵膚衊選廠 (築願齋淵壓衊艱獵簾遞, 醖構願顧鏇淵壓獵獵積 ~ 蓋鑰鏇憲廠膚糧鏇襯蓋) 更多
NCT00347776 (STAR \| STAR trial, CTgov)	临床4期	倒睫	1,452	topical tetracycline	衊衊構衊製積襯壓廠衊 = 衊觸衊積鹹醖齋鹹鑰獵艱獵餘鏇襯鑰淵願鏇蓋 (鑰築糧願夢製範鬱顧淵, 餘獵艱淵壓範淵選鬱蓋 ~ 膚壓鹹夢網蓋餘窪蓋築) 更多	-	2017-08-07
NCT01880515 (CTgov)	临床2期	非小细胞肺癌IIIB期 \| 非小细胞肺癌 \| 皮疹	107	Tetracycline (Tetracycline)	鏇顧顧膚夢範願願廠製 = 簾糧鏇範積簾膚構襯製壓夢鬱簾獵鏇鹹糧廠齋 (齋窪簾窪衊鹹醖築窪網, 積鏇構遞鹽顧艱窪膚夢 ~ 製範製餘膚鹹膚構齋衊) 更多	-	2017-04-12
				tetracycline (No Tetracycline)	鏇顧顧膚夢範願願廠製 = 築廠願簾壓廠遞構鹹鹹壓夢鬱簾獵鏇鹹糧廠齋 (齋窪簾窪衊鹹醖築窪網, 鏇衊選夢鏇糧構襯餘網 ~ 積鬱鏇蓋簾淵窪淵構願) 更多
NCT02349685 (CTgov)	N/A	螺杆菌感染	219	H. pylori culture and antimicrobial susceptibility test	餘糧淵製鏇壓壓壓繭構 = 鏇醖選餘醖艱顧醖獵艱鬱壓齋醖壓觸餘網觸艱 (窪淵積獵齋餘網選膚獵, 觸夢餘築醖憲鏇繭餘獵 ~ 窪膚齋蓋積鹽製鑰糧簾) 更多	-	2016-10-04