综述：工程化细菌赋能生物传感：与人工智能集成以提升诊断精度

《Sensors & Diagnostics》：Engineered bacteria-enabled biosensing: integration with artificial intelligence for enhanced diagnostic precision

这篇综述系统阐述了工程化细菌（通过基因或蛋白质工程改造的微生物）作为活体生物传感器，在疾病诊断、环境监测和食品安全等领域的应用潜力。文章聚焦人工智能（AI）技术与合成生物学的融合，深入剖析了从底盘菌株选择、传感模块（如转录因子、双组分系统）设计、信号转导与输出机制（荧光、生物电子等），到AI驱动的虚拟筛选、智能设计、性能预测和实时分析等关键环节。本文不仅总结了当前代表性应用案例，也探讨了生物安全、遗传稳定性和监管挑战，为下一代智能、自适应生物传感平台的开发提供了前瞻性视角。

　　

¹构建工程化细菌

工程化细菌（Genetically engineered bacteria, GEBs）是通过合成生物学和基因工程改造的微生物菌株，可被赋予感知环境信号、执行程序化功能的能力。其构建主要包括三个关键步骤：选择合适的底盘菌株、整合传感与效应模块，以及优化信号处理与输出系统。

^1.1底盘菌株选择

底盘菌株的选择是智能细菌生物传感器设计的基础，它决定了合成基因回路的效率、稳定性、生物安全性以及在生理或环境中的长期存活能力。不同应用场景下，常用的底盘菌株各异：

• •
  对于快速原型构建和高产信号输出的体外诊断（in vitrodiagnosis, IVD）或受控实验室环境，易于基因工程改造、表达能力强的大肠杆菌（Escherichia coli）是首选。
• •
  当需要长期口服给药，且对人体生物相容性和安全性（公认安全，Generally Recognized As Safe, GRAS）是首要要求时，乳酸杆菌（Lactobacillusspp.）等益生菌是理想选择。
• •
  若生物传感器需要在室温下长期储存或通过纸基分析装置部署，具有良好稳定性、易于干燥运输的枯草芽孢杆菌（Bacillus subtilis）更为合适。
• •
  对于检测水平基因转移或环境/肿瘤DNA，可利用具有强大天然感受态能力的拜氏不动杆菌（Acinetobacter baylyi）。
• •
  在复杂的食品和土壤基质中进行传感时，可使用减毒沙门氏菌（Attenuated Salmonella）。
• •
  对于需要在厌氧人结肠中长期稳定定植（>1周）的应用，具有强大天然定植能力的拟杆菌（Bacteroidesspp.）是潜在选择。
• •
  当样品盐度超过1.5%或诊断工作流程对快速“得出结果时间”（<1小时）有严格要求时，可选择生长速度快、耐盐/耐污染能力强的灿烂弧菌（Vibrio natriegens）。
• •
  在化学毒性和渗透压波动的工业废水或环境中进行监测时，稳定性好、抗环境胁迫能力强的恶臭假单胞菌（Pseudomonas putida）是优选。

^1.2传感模块

传感模块是工程化细菌生物传感器的核心功能单元，负责将病理或环境线索转化为可量化的生物输出。一个功能性传感模块通常包含三部分：输入识别元件、信号转导机制和输出响应模块。

^1.2.1输入识别元件

输入识别元件是与周围微环境相互作用的第一个环节，常见类型包括：

• •
  转录因子（Transcription Factors, TFs）：可响应小分子、代谢物或氧化还原信号调节基因表达，易于改造。例如，LldR特异性结合乳酸，常用于检测缺氧肿瘤微环境；MerR和ArsR分别识别Hg²⁺和As³⁺，用于环境样品中的重金属定量。
• •
  核酸适体（Aptamers）：可高亲和力、高特异性结合蛋白质、代谢物和核酸等靶标分子，设计灵活，已用于检测细胞因子和肿瘤生物标志物。
• •
  核糖开关（Riboswitches）：可直接结合小分子或离子来调节基因表达，响应速度快、背景噪音低，适用于Mg²⁺、F^?等离子的实时检测。
• •
  双组分系统（Two-Component Systems, TCS）：由传感组氨酸激酶和反应调节蛋白组成，使微生物能够监测从营养浓度到化学应激物（如抗生素）以及pH和渗透压变化等多种环境线索。工程化的TCS回路已被设计用于检测一氧化氮、硝酸盐等炎症信号。

^1.2.2信号转导机制

在体内疾病诊断中，靶信号通常浓度低且背景噪声大。为提高敏感性和特异性，工程化细菌系统主要依赖信号放大和基于逻辑门的信号处理两种策略。

• •
  信号放大策略：包括级联放大、正反馈环（Positive feedback loops, PFLs）和自诱导系统。例如，合成PFLs可用于增强低水平启动子活性，显著提高输出信号强度。
• •
  逻辑门信号处理：布尔逻辑运算（如AND、OR、NOT、NOR）被整合到细菌回路中，以提高决策精度。例如，双输入AND门趾甲开关设计，只有在同时识别两个特定RNA输入时，才会启动下游蛋白表达，确保仅在满足所有输入条件时激活响应，从而有效降低背景泄漏。

^1.2.3输出响应模块

输出模块负责将感知的分子输入转化为可解释和可量化的信号，输出形式的选择需权衡灵敏度、稳定性、与生物基质的兼容性以及现场部署能力。

• •
  荧光/发光输出：绿色荧光蛋白（Green fluorescent protein, GFP）、mCherry等荧光蛋白或生物发光报告基因，可提供稳健、非侵入性的读数，易于通过荧光显微镜或流式细胞术监测。例如，i-ROBOT系统中嵌入工程化大肠杆菌的荧光报告回路，可实现小鼠炎症性肠病（Inflammatory bowel disease, IBD）的无创诊断。
• •
  比色输出：基于酶促反应产生可见颜色变化（如β-半乳糖苷酶催化X-gal产生蓝色沉淀），成本低、操作简单，适合即时检验（Point-of-care, POC）和资源有限的环境。
• •
  小分子分泌：工程化细菌可被编程产生吲哚、短链脂肪酸或醛类等小分子代谢物。这些小分子稳定性好、扩散性强，可通过电化学传感器等便携式分析设备检测，动力学更快，背景干扰更低。
• •
  生物电子读出：合成生物学与生物电子学的融合催生了电生细菌生物传感器，其通过改造细胞外电子转移（Extracellular electron transfer, EET）途径，将分子识别事件转化为可测量的电流。例如，可感应硝酸盐的工程化大肠杆菌在识别目标物时会产生可检测的电流变化。与传统的荧光或比色报告基因相比，生物电子输出具有更高的时间分辨率、实时响应、远程读出能力，并能与数字健康平台无缝集成。

^1.3AI驱动的智能设计与优化

人工智能（Artificial Intelligence, AI）正在成为合成生物学领域的变革性力量，从以下层面推动工程化微生物系统的理性设计与优化：

• •
  虚拟筛选：利用AI工具分析大规模组学数据和基因型-表型关联，优先选择最优的遗传部件和微生物宿主。例如，机器学习框架已从元基因组数据中筛选出与健康肠道指标相关的特定益生菌菌株，验证了其作为胃肠道生物传感载体的潜力。
• •
  智能设计：基于序列到功能的预测模型（如结合卷积神经网络和长短期记忆模型的DeepPromoter）可用于设计启动子等调控元件，显著提高转录活性。AlphaFold等深度学习模型可准确预测传感蛋白的三维构象，指导设计具有更高灵敏度和选择性的输入模块。生成对抗网络和强化学习算法则支持构建能够执行布尔逻辑运算的合成回路。
• •
  性能预测：强化学习等AI框架擅长探索工程化系统对波动输入和环境噪声的动态响应。例如，通过生物信息学筛选设计的新型乳酸响应调控元件和传感器，在肿瘤微环境中表现出对葡萄糖介导抑制的抗性。
• •
  高通量模拟：集成微流控、机器人液体处理和实时传感器的自动化平台，与AI驱动的设计和分析管道相结合，可对数千个遗传构建体进行平行实验，由贝叶斯优化和主动学习等AI算法指导实验优先级排序和模型优化，从而加速设计-构建-测试-学习循环。
• •
  AI赋能的分析：通过整合多模态数据流，并利用卷积神经网络、长短期记忆等模型提取关键特征、检测异常行为，AI平台可用于工程化微生物系统的实时监测和自适应控制。例如，在炎症响应生物传感器中，基于长短期记忆的模型可识别荧光强度的异常波动，并自动调整诱导剂浓度。

²工程化细菌在多场景检测中的应用

^2.1环境监测

工程化细菌作为“活体生物传感器”，在实时、原位环境监测方面展现出巨大潜力。

• •
  重金属污染物检测：利用MerR、PbrR、ZntR等金属响应转录调节因子驱动报告基因表达，可检测Hg²⁺、Pb²⁺、Cd²⁺、Cu²⁺等离子。为应对多种污染物共存的挑战，可设计集成多个传感模块和正交报告基因的合成基因回路，产生复合信号，再通过训练机器学习分类器解读信号，准确识别混合溶液中的特定重金属。为提高环境鲁棒性和现场部署能力，细菌传感器可被固定在凝胶、纤维素膜中，或嵌入微流控平台。
• •
  有机污染物监测：针对芳香烃、酚类等污染物，可利用工程化假单胞菌菌株构建电导型生物传感器进行直接检测。结合模式识别算法的“电子鼻”系统，为海洋环境连续监测提供了可扩展、低成本的解决方案。人工智能算法可协助监测这些传感器的时间动态，并根据实时生物反馈预测污染物的扩散轨迹。

^2.2食品安全监测

工程化细菌生物传感平台集成了分子识别模块与遗传回路，可将污染物检测转化为可见的比色、荧光或电化学信号。

• •
  农药残留检测：基于酶抑制、代谢扰动等机制。例如，将发光细菌固定在海藻酸盐微球中，可定量评估农药对荧光素酶的抑制；或将农药降解菌与纳米材料支架结合，构建微孔板光学传感器。智能手机平台结合深度学习辅助图像分析可标准化光学信号采集，支持向量机等机器学习分类器有助于区分结构相似的农药化合物。
• •
  食品腐败与保质期评估：工程化细菌可被设计用于检测腐败相关的挥发物或代谢物。例如，携带组胺响应调控元件和荧光报告基因的铜绿假单胞菌生物传感器，可快速检测海鲜和葡萄酒中的组胺。人工智能增强型生物传感器还能对实时数据进行时间序列分析，预测腐败事件。
• •
  真菌腐败与食品添加剂检测：针对谷物产品易受真菌污染的问题，可利用对早期真菌挥发物响应的全细胞生物传感器阵列，结合反向传播神经网络分析组合生物发光模式，以指纹识别特定真菌病原体，在可见迹象出现前准确预测真菌腐败。

^2.3土壤与作物环境评估

作物在种植和储存期间的感染是重大威胁。病原体在感染过程中会释放特定的挥发性有机化合物谱。工程化活体生物传感器（通常是生物发光细菌菌株）可被编程具有高亲和力嗅觉模块和转录回路，在暴露于微量感染相关挥发物时激活荧光素酶等报告基因。工程化细菌可固定在微流控芯片上或嵌入多孔基质中，放置在储存的作物附近，实现早期诊断。

^2.4疾病检测

工程化细菌作为活体诊断工具，在感染性疾病、癌症、胃肠道及代谢性疾病等多种临床场景中展现出应用潜力。

• •
  感染性疾病检测：工程化大肠杆菌菌株通过整合毒素调控启动子，可驱动报告基因表达，实现粪便样本中霍乱弧菌的视觉检测，速度快于聚合酶链式反应。基于CRISPR干扰的遗传逆变器回路与霍乱弧菌特异性群体感应分子CAI-1结合，可在约两小时内实现高特异性检测。
• •
  肿瘤传感细菌诊断癌症：工程化微生物可利用肿瘤微环境的独特代谢和生理特征进行早期检测。例如，在大肠杆菌中开发乳酸响应系统，通过尿液样本中的代谢读数无创检测肿瘤；将沙利度胺生物合成基因整合到大肠杆菌Nissle 1917的基因组或质粒中，在肿瘤定植后产生水杨酸并排泄到宿主尿液中，实现无创检测。CRISPR介导的CATCH系统利用拜氏不动杆菌获取循环突变DNA，仅在成功同源重组后激活卡那霉素抗性，实现高特异性突变检测。肿瘤趋向性沙门氏菌菌株表达ZsGreen荧光蛋白，可优先定植于微小病灶，提供比当前影像学方法高得多的检测灵敏度。
• •
  肠道疾病监测：工程化益生菌可作为肠道炎症的活体生物传感器。例如，利用NarX/NarL系统改造大肠杆菌检测硝酸盐，实现实时体内炎症监测。i-ROBOT平台整合了分子传感、逻辑门控和治疗响应，在感知硫代硫酸盐后启动碱基编辑创建可遗传基因组记录、激活比色输出并释放抗炎蛋白，在结肠炎小鼠模型中显示出诊断和治疗功效。可吞咽的生物传感器设备封装了表达血红蛋白响应荧光素酶的共生大肠杆菌，可检测胃肠道出血，机器学习算法可过滤胃肠道噪声以准确识别出血事件。
• •
  代谢性疾病诊断：针对糖尿病，大肠杆菌中的合成回路可实现尿液和血液样本中葡萄糖的高灵敏度检测。对于苯丙酮尿症，工程化细菌系统能够检测苯丙氨酸浓度升高，可用于连续或饮食依从性监测。
• •
  炎症与神经系统疾病的其他应用：工程化细菌还可用于监测牙周炎、皮肤病等局部炎症，以及通过检测脑脊液或血清中的多巴胺、γ-氨基丁酸等神经代谢物，为神经退行性疾病开发非侵入性筛查工具。

^2.5人工智能驱动的工程化细菌生物传感器

人工智能与全细胞细菌生物传感的整合，标志着从被动信号读出到数据驱动和自适应感知的转变。机器学习算法能够解码来自多重细菌传感器的复杂、非线性输出，有效缓解分析物交叉反应性引起的信号串扰。在构建-测试-学习工作流中，预测性和生成性模型有助于选择启动子结构和调控逻辑，减少实验搜索空间，加速菌株开发。人工智能赋能的细菌生物传感器具有多项功能优势：基于深度学习的去噪和特征提取提高了在土壤、食品和胃肠道等异质基质中的诊断精度；人工智能能够整合时间信号动态来推断暴露风险、浓度趋势或系统轨迹，实现从二元检测到定量和预测诊断的转变；人工智能驱动的自动化进一步增强了大规模突变文库的高通量筛选和进化优化。然而，人工智能的集成也带来了新挑战：模型的鲁棒性仍然依赖于训练数据质量和背景多样性；复杂模型（特别是深度神经网络）的可解释性有限，为监管批准和临床采用带来了障碍。

³当前挑战与缓解策略

工程化细菌诊断技术的实际应用面临多重挑战，主要包括生物安全、遗传和功能稳定性、监管不确定性以及特定环境下的灵敏度问题。

• •
  生物安全与生物安保：基因工程微生物的释放或使用引发了关于生态安全和人类健康的关键问题。水平基因转移、意外生态影响以及有害性状进化构成重大风险。缓解策略包括：设计依赖天然环境中不存在合成营养物质的营养缺陷型菌株；设计在任务完成后触发裂解的程序性自毁回路；利用CRISPR系统实现精确的、任务依赖的基因组编辑或促进宿主免疫清除；设计基因“自杀开关”，在响应预定义刺激时激活细菌自杀途径。
• •
  遗传稳定性与功能鲁棒性：维持遗传稳定性和长期功能性能是实现商业化的重大障碍。体内环境施加的动态选择压力会加速进化漂变，导致传感器回路“遗传断裂”，造成信号退化或组成性激活。这会导致“数据漂移”，使预训练的人工智能模型过时。应对策略包括：将合成回路基因组整合以减少对质粒的依赖；采用冗余回路架构提高抗突变和抗丢失能力；利用资源感知反馈环调节基因表达以平衡性能和代谢负荷；使用水凝胶或生物相容性聚合物进行微胶囊化以保护工程化细胞；采用与协同微生物共培养或表达表面粘附蛋白等生态支持策略以建立稳定生态位；以及利用冻干和孢子化技术创建可在室温储存、使用时可再激活的“休眠到激活”传感器。
• •
  监管与伦理考量：工程化细菌诊断技术从实验室原型到临床和现场就绪平台的过渡受到监管不确定性和未解决伦理问题的阻碍。活体诊断目前在美国被FDA归类为生物制品，需要研究性新药申请、良好生产规范合规性以及对特性、纯度、效力和遗传稳定性的验证分析。然而，针对仅用于诊断的活体生物（尤其是那些整合了基于人工智能的数据解读的系统）的明确指南仍然不完善。收集宿主衍生生理或分子数据的体内诊断平台引发了关于数据隐私、安全和所有权的紧迫问题。当前协议通常缺乏强大的匿名化、安全存储或负责任数据共享机制。为应对这些问题，需建立工程化细菌诊断的标准化临床指南、制定针对活体生物传感器的监管框架、实施数据治理协议、探索隐私保护技术，并与监管机构积极接触，进行透明的风险评估和可解释的人工智能设计。