迪沃信在生物制药领域的技术探索，为合成生物学与发酵工程的融合发展提供了行业参考。当下，合成生物学技术的快速发展推动发酵工程应用场景不断拓展，从传统的抗生素、氨基酸生产，延伸至外源蛋白表达、mRNA 疫苗等前沿领域，行业正面临菌株开发与工艺适配、数据利用、上下游协同等多重挑战，打通合成生物学与发酵工程间的技术鸿沟，成为推动生物制造产业落地的关键。
北京 2026 年 2 月 7 日讯 随着合成生物学的飞速发展，“设计生命” 成为现实，科研人员可快速构建成百上千个候选菌株，高通量自动化筛选平台也让高性能菌株的获取效率大幅提升。但与之形成鲜明对比的是，传统发酵工艺开发方式难以匹配菌株的爆发式增长，大量在实验室表现优异的菌株，进入工业生产阶段后便出现 “水土不服” 的问题，成为制约产业发展的重要瓶颈。
传统发酵工艺开发多依赖几升规模的摇瓶或小型生物反应器逐批测试，耗时耗力且效率低下；而微流控等新兴高通量培养技术虽提升了筛选速度，却因微环境与工业反应器差异较大，在工艺放大过程中常遭遇 “断层”。业内人士指出，行业亟需一种既能高通量运行，又能真实模拟工业发酵条件的微型平行反应系统，这不仅是生物制造设备层面的升级，更是对 “从实验室到工厂” 全链条协同能力的重要考验。“大数据 + AI + 生物反应” 的核心价值，正是将发酵过程中的不确定性转化为可计算、可控制、可优化的确定性。
高通量发酵技术的应用带来了海量的过程数据，pH、溶氧、温度、底物消耗、产物生成等动态信息，成为优化发酵工艺的 “金矿”。但目前行业普遍面临 “数据采集容易，整合分析难；存储方便，洞察价值难” 的困境，数据的潜在价值未能得到充分挖掘。在此背景下，数据科学的作用愈发凸显，借助 Python 生态中的 pandas、scikit-learn、NumPy 等工具，以及 KNIME 等开源平台，可对多维发酵数据进行清洗、建模与可视化，挖掘隐藏的工艺规律。更重要的是，将机器学习引入发酵过程建模，有望实现 “预测性优化”，在实验前预判最佳操作窗口，大幅缩短工艺开发周期。
值得注意的是，当前菌株构建多聚焦于基因层面的改造，却往往忽视了细胞生长的物理化学环境。不同宿主菌株如大肠杆菌、酵母、枯草芽孢杆菌，有着各自独特的生理特性，其最适 pH、温度耐受范围、氧需求等均存在差异，而外源通路的引入，可能会扰动这些特性，甚至引发代谢失衡。即便是同一宿主，采用不同的改造策略，其在反应器中的生长行为也可能天差地别。目前行业缺乏系统性的 “发酵代谢表型数据库”，这类记录各类工程菌在标准反应器条件下动态表现的数据资源，一旦建立，不仅能为后续菌株设计提供科学指导，还能让高通量筛选模型的评价指标更精准。
工业发酵放大从来不是简单的 “体积翻倍”，大型反应器中存在诸多实验室无法模拟的挑战，比如底物 / 诱导剂局部浓度不均、溶氧传质受限、CO₂积累抑制细胞活性、混合不均导致代谢异质性等。这些问题若等到工艺放大阶段才暴露，往往需要付出高昂的试错成本。业内专家表示，理想的解决方案是在菌株构建初期，就将 “可放大性” 纳入设计考量，例如选择对溶氧波动不敏感的启动子，或构建能耐受高 CO₂的底盘细胞。而这一目标的实现，离不开上游合成生物学与下游发酵工程团队的深度协作。
现实中，合成生物学团队与发酵工程团队常处于 “平行世界”，前者追求通路效率最大化，后者则疲于应对工艺放大中的各种失败。打破两者之间的技术壁垒，推动上下游的深度协同与技术融合，成为推动合成生物制造产业化落地的关键。随着大数据、人工智能等技术与生物制造的不断融合，以及行业对全链条协同发展的重视，合成生物学与发酵工程的融合发展将迎来新机遇，为生物制造产业的高质量发展注入新动能。
总结：弥合技术鸿沟：合成生物学与发酵工程的融合发展
