从菌株理性设计到发酵过程感知，诺禾致源探索以多组学、拉曼光谱与AI构建可测量、可解释、可验证的生物制造数据闭环。

在实验室里打通一条合成通路、获得能够生产目标产物的菌株，往往只是生物制造产业化的起点。进入中试与工业放大阶段后，企业面对的问题会迅速从“能不能合成”，转向“能否稳定、高产、低成本地生产”。

培养基组成、传质效率、发酵模式、设备尺度与批次波动等因素，都可能改变细胞的真实状态。一个在摇瓶或小型发酵罐中表现良好的菌株，到了更大尺度未必能够复制同样的产量、得率和稳定性。如何更准确地理解细胞在发酵过程中的变化，并把每次实验和生产数据转化为下一轮优化的依据，正在成为生物制造走向规模化的关键问题。

围绕这一挑战，诺禾致源正在探索融合多组学测量、拉曼光谱与人工智能的生物制造智能化解决方案：以多组学建立细胞状态的高质量参考数据，以拉曼拓展对发酵过程的原位、高频感知，再通过AI模型连接菌株信息、分子变化、工艺参数与生产表型，为菌株设计和发酵优化提供更系统的数据支持。

发酵罐可见，细胞状态仍是“黑箱”

现代发酵系统已经能够持续监测温度、pH、溶氧、搅拌转速、通气量、罐压、补料速率和尾气组成等过程参数。这些数据能够告诉工程师设备与培养环境如何运行，却不能独立解释细胞内部的代谢物水平、能量与氧化还原平衡、前体供应以及应激响应。
换句话说，企业可以“看见发酵罐”，但仍难及时回答三个更接近生产结果的问题：细胞在关键阶段发生了什么？为什么发生？哪些干预更可能改善最终表型？
这也是生物制造数字化与智能化最难跨越的环节之一。算法要给出可信判断，首先需要获得足够准确、可比较的数据；过程信号要转化为细胞状态，也需要可靠的分子检测结果进行校准和验证。

多组学、拉曼与AI，分别解决什么问题？

第一层：用多组学建立细胞状态参考

多组学的作用，是把遗传基础、分子活动与生产表型连接起来。基因组可用于解析菌株的遗传潜力与变异基础；转录组和蛋白质组可观察基因表达及关键酶、转运蛋白的变化；代谢组则帮助识别底物、前体、目标产物、副产物及其他关键小分子的变化；生物量、产量、得率、生长速率、耐受性和批次稳定性等表型数据，最终用于判断这些分子变化是否真正转化为生产价值。

在这条数据链中，代谢组尤其接近细胞的功能状态。非靶向代谢组可用于广泛发现变化的代谢物和潜在通路，类靶向与靶向方法则可进一步验证和定量选定的关键代谢物。需要区分的是，常规代谢组主要反映代谢物水平，并不直接等同于代谢流分析；当项目需要定量解析碳流向和通量分配时，仍需结合稳定同位素示踪等专项方法。

第二层：用拉曼光谱拓展连续过程感知

代谢组检测能够提供丰富的分子信息，但通常需要取样、淬灭、提取和质谱分析，属于离线、离散测量，难以连续覆盖完整发酵周期。拉曼光谱则可以通过原位或在线方式高频采集发酵体系的综合光谱信号，为连续过程观察提供新的数据来源。

拉曼并不是直接读取所有胞内代谢物浓度，其应用依赖离线参考检测进行校准。诺禾致源设想将同一时间点的拉曼光谱、代谢组结果、常规生化指标和工艺参数进行对齐，建立光谱特征与部分关键代谢物水平、细胞生长状态或发酵阶段之间的映射模型。

因此，这条路径并不是把代谢组检测本身“实时化”，而是以高质量的离线测量结果训练和校准拉曼软测量模型，让原本离散的分子信息有机会延伸为对发酵过程的连续感知。

第三层：用AI识别状态、预测趋势并辅助决策

当拉曼光谱、代谢组数据、菌株信息、生产表型及温度、pH、溶氧、补料和尾气等工艺参数完成时间对齐后，机器学习可以用于识别多维变量之间的关系。根据数据规模、非线性程度和任务目标，可从可解释的多变量方法建立基线模型，再评估支持向量机、随机森林、梯度提升及深度学习等方法的适用性。

经过足够批次验证后，模型可辅助识别异常波动、判断关键代谢拐点，并支持工程师评估补料、pH与溶氧设定、搅拌与通气策略、温度切换、诱导时间和收获终点等工艺变量。AI在这里更接近工程师的“超级感官”和智能助手：它负责融合数据、捕捉细微变化并提出候选方向，工程师则结合设备能力、成本结构、生产安全与合规要求作出最终判断。

当前边界：在完成独立批次验证、工艺安全评估和控制系统接口确认之前，这类模型首先应定位为过程监测、趋势预测、异常预警和辅助决策，而不是未经验证的自动闭环控制。

不仅优化发酵，也缩小菌株改造的搜索空间

除了过程优化，另一条重要路径是利用基因组—转录组—蛋白质组—代谢组—表型数据链支持菌株的理性设计。具体项目并不需要机械叠加所有组学，而是根据目标产物、菌株基础和待解决问题，选择最有信息价值的检测组合。

在分析层面，可结合变异分析、差异分析、通路富集、相关网络、基因与表型关联以及基因组尺度代谢网络模型，识别可能影响目标产物合成的关键酶、转运蛋白、竞争支路、前体供应节点与调控因子。对于代谢网络信息较完整的菌株，还可借助通量平衡分析等约束模型，模拟基因敲除、过表达、通路增强或旁路削弱可能产生的影响。

机器学习能够综合多维特征，对候选基因和改造组合进行优先级排序，但模型结果仍需通过基因编辑、培养实验和独立发酵批次验证。其价值不是用算法替代实验，而是缩小搜索空间，让有限的实验资源优先投入更有潜力的验证方向。

规模化测量能力，是模型走向产业场景的起点

生物制造AI的可靠性，首先取决于数据质量与跨批次可比性。

诺禾致源在靶向与非靶向代谢组学等高通量检测服务中积累多年经验：非靶向检测可采用Q Exactive HF-X等高分辨质谱平台，对小分子代谢物进行广泛检测；类靶向和靶向检测则可采用SCIEX QTRAP 6500+等平台的多反应监测模式，对选定代谢物进行高灵敏度验证和定量。

诺禾致源自建非靶向代谢组数据库NovoMetDB-UM，目前涵盖超过2万种标准品数据、20万余条AI预测谱图，总库规模超过50万条。搭配自研搜库算法，严格遵循国际代谢物定性准确度分级标准，实现代谢物定性的高准确度与高可信度，支持高置信度鉴定；AI预测谱图主要用于扩展候选化合物覆盖和辅助注释，不能替代标准品对高等级鉴定结果的确认。

在此基础上，标准化采样、质量控制、样本编码和跨批次分析同样重要。只有将多组学结果与菌株改造记录、发酵参数及最终生产表型进行时间对齐，模型才有可能从一次性分析工具，逐步成长为能够持续积累和复用的过程知识系统。

不同产业主体，面对的是不同的价值命题

对成熟生物制造企业，核心是识别影响得率、生产周期和批次稳定性的限制因素，进一步挖掘降本增效空间。

对合成生物企业，核心是提高菌株筛选效率，并降低从小试、中试到工业放大过程中的决策不确定性。

对正在转型的传统制造企业，可围绕食品深加工、生物基原料和绿色生物化工等方向，开展菌株、工艺与检测方法的联合开发和验证。生物制造的AI，需要在真实工厂中成长。

从单点技术突破到系统能力竞争

在诺禾致源副总裁曹志生看来，随着合成生物从实验室概念验证加速走向工程化与规模化落地，行业竞争正在从菌株构建等单一环节，转向对研发、放大和生产全链路数据的组织、解释与应用能力。谁能够更好地连接细胞状态、工艺过程与生产结果，谁就更有机会缩短产业化周期，并持续改善生产经济性。

生物制造正在从单点技术突破进入工程化与规模化落地的新阶段。行业机会不仅在于设计出更多菌株，更在于建立能够连接研发、放大与生产的数据基础和决策体系。对诺未致源而言，布局生物制造并不是对现有多组学服务的简单延伸，而是将多组学、生命科学数据、自动化、计算与人工智能等核心能力向产业场景延展的重要战略布局。我们希望与产业伙伴共同把菌株改造、发酵实验和生产批次沉淀为可复用的数据资产与模型能力，缩短从实验室验证到规模化生产的距离，让研发决策更有依据、生产优化更可预测、产业转化更高效。

生物制造的AI，需要在真实工厂中成长

下一代生物制造的智能化升级不能只在实验室里完成。真正有价值的模型，必须在真实菌株、真实发酵、真实工厂、真实产品和真实成本约束中成长。我们期待从一个具体问题开始，与产业伙伴共同建立可验证、可迭代的智能闭环。

从实验室到工厂，生物制造智能化并不只是增加一个算法模块。它需要高质量测量、连续过程感知、模型验证与工程经验共同作用，也需要在真实菌株、真实工艺和真实成本约束中持续迭代。

未来，诺禾致源将继续发挥多组学测量、代谢物鉴定与定量、生物信息分析和规模化数据获取等能力，与产业伙伴共同推进方法建立、模型验证与实际场景落地，让每次菌株改造、发酵实验和生产批次逐步沉淀为可复用的过程知识，推动生物制造从经验驱动走向更加可测量、可解释、可验证的数据智能驱动。

关于诺禾致源

北京诺禾致源科技股份有限公司（股票代码：688315）成立于2011年，总部位于北京，是一家以多组学和生命科学数据为核心能力，以自动化、计算与人工智能为驱动的全球生命科学产品与解决方案企业。公司面向科学研究、药物研发、生物制造、临床健康及农业育种等领域，提供从科学发现、研发转化到产业应用的综合解决方案。目前，公司业务覆盖全球6大洲约90个国家和地区，服务客户超过8,000家，持续以专业化、规模化、全球化与智能化能力连接生命发现与产业创新。

基因科技，守护生命健康。

欢迎访问诺禾致源官网了解生物制造服务相关信息（www.novogene.com）。 了解如何通过多组学与 AI 技术优化您的菌株设计与发酵工艺，或发送邮件至 synbio@novogene.com 开启合作对话。

平台声明：部分素材来自诺禾致源。分享仅为行业信息传递与交流。欢迎行业投稿！如有需求，请联系我们：15356747796（微信同号）。