AI 正在改變藥物研發、蛋白質工程與農業生物學。從大型語言模型到生成式機器學習，越來越多的演算法正在幫助研究人員預測蛋白結構、設計抗體序列、優化基因編輯工具，甚至探索全新的功能性分子。但在生命科學研究中，一個關鍵問題始終存在：AI 可以提出設計方案，但它無法取代濕實驗室（Wet Lab）完成真實驗證。

對於 AI/ML 驅動的生物研發而言，真正決定模型價值的，不只是「算得出來」，更是「做得出來、測試得準、學得回去」。這正是合成 DNA 與濕實驗室驗證的重要意義。

為什麼 AI/ML 模型必須經過濕實驗室驗證？

在計算環境中表現優異的模型，不一定能在真實實驗條件下同樣有效。尤其在蛋白質工程、抗體發現和基因編輯等複雜場景中，模型往往面臨多重挑戰：

• 訓練資料並不完美： AI 模型常常需要基於有限或不完整的資料集進行複雜外推。這可能導致模型過度關注某一個指標（例如結合親和力），卻忽略了穩定性、溶解性、表達量、可開發性等同樣關鍵的因素。一個看似「計算評分很高」的候選分子，進入實驗室後可能出現表達困難、折疊異常或穩定性不足等問題。
• 生物系統存在複雜的湧現行為： 蛋白質功能受到分子內和分子間相互作用的共同影響。某些突變組合可能帶來意料之外的結果，例如蛋白質錯誤折疊、自聚集，或產生影響功能表現的非預期修飾。這些複雜現象，往往很難完全從訓練資料中學習。
• 模型具有背景依賴性： 模型在某一種實驗背景下訓練所得到的規律，不一定能直接遷移到另一個系統。例如，同一個設計在大腸桿菌、HEK293 或 CHO 細胞中表達，可能面對完全不同的生物學限制。

因此，濕實驗室驗證並不是 AI 研發流程中的「最後一步」，而是推動模型持續優化的關鍵環節。

從「預測」到「學習」：設計—建構—測驗—學習循環

在 AI 驅動的合成生物學研究中，一個高效率的研發流程通常包括四個階段（Design-Build-Test-Learn，DBTL）：

1. 設計（Design）： 使用生成式 AI 設計新型序列、蛋白質或功能組件，並透過預測模型和計算篩選初步評估候選方案。
2. 建構（Build）： 將數位化設計轉化為實體 DNA，包括合成目標序列、選殖（克隆）到載體中，並表達目標分子。
3. 測試（Test）： 在濕實驗室中對候選分子進行功能表徵，例如結合能力、免疫原性、可開發性、穩定性等分析。
4. 學習（Learn）： 將實驗結果回饋給 AI/ML 模型，作為新的訓練數據，用於模型再訓練和下一輪設計優化。

這個循環使 AI 模型不再停留在靜態預測層面，而是不斷吸收真實實驗數據，逐步提升預測品質和研發效率。

圖 1：Design-Build-Test-Learn 循環 濕實驗室測試不僅驗證模型，也為模型再訓練提供新數據。

合成 DNA：連結 AI 設計與真實實驗的關鍵橋樑

AI 產生的是數位序列，而實驗室需要的是高品質、可驗證的實體分子。這中間最關鍵的一步，就是將電腦中的精準設計，準確轉化為真實 DNA。

傳統 DNA 合成方式常依賴較短片段的拼接，過程中可能引入錯誤，導致最終序列與 AI 原始設計不完全一致。一旦合成環節出現偏差，後續實驗數據可能無法真實反映模型設計的效果，甚至誤導模型再訓練。

Twist Bioscience 的矽基 DNA 合成平台，能夠幫助研究人員更準確、更有效率地將 AI 設計轉化為實體 DNA，從而支持高保真(high fidelity)驗證數據的產生。對於 AI/ML 研發而言，高品質合成 DNA 的價值不僅在於「做出序列」，更在於確保實驗數據能夠真實反映模型意圖，避免低品質數據影響模型性能。

Lab-in-the-loop：讓 AI 抗體設計進入主動學習時代

在抗體開發中，「Lab-in-the-loop」（實驗室迴圈）正成為一個重要的新典範。在這個閉環流程中：

1. 生成式機器學習模型首先設計抗體變體。
2. 預測模型對這些候選序列進行排序。
3. 透過高品質 DNA 合成將候選序列轉化為實體分子，並在體外進行功能表徵。
4. 實驗數據被重新用於模型訓練，推動下一輪設計優化。

在相關案例中，研究人員透過四輪迭代，產生了 1,800 個獨特抗體變體，覆蓋四種標靶抗原，並篩選出多個結合親和力提升 10 倍至 100 倍的抗體候選物。這項成果背後的關鍵之一，正是能夠準確合成由機器學習設計的抗體變體，並將真實實驗數據持續回饋給模型。

當 AI 設計、DNA 合成、實驗驗證和模型再訓練形成閉環，抗體發現便從一次性的預測任務，轉變為持續優化的主動學習系統。

圖 2：Lab-in-the-loop 案例與流程圖 生成式模型、屬性預測、排序、Twist MGF 合成與候選物篩選共同構成主動學習閉環。

Twist 如何支持 AI 驅動的生物研發？

導向 AI/ML 研究，Twist 提供從合成 DNA 到抗體發現和數據交付的一系列解決方案，幫助研究人員將數位設計快速推進到實驗驗證階段。

合成 DNA 解決方案

Twist 的合成 DNA 產品可支援多種 AI 研發場景，包括：

• 基因片段（Gene Fragments）： 支援快速「設計—建構—測試」迭代，幫助研究人員更有效率地驗證候選序列。
• 基因池（Gene Pools）： 支援大規模序列多樣性探索，可用於複雜文庫驗證。
• 多重基因片段文庫 (Multiplexed Gene Fragments)： 可用於覆蓋抗體 CDR 區或蛋白質結構域，適合大規模平行篩選。
• 基因突變體文庫（Variant Libraries）： 支持位點飽和或組合變異體設計，幫助研究人員系統探索蛋白質親和力與功能空間。
• 寡核苷酸池 (Oligo Pools) ： 支援高通量功能研究，可並行評估大量序列變異。

這些工具能夠幫助 AI 研究團隊更快建立驗證資料集，並讓模型預測在真實實驗中接受檢驗。

從序列到資料：端對端抗體解決方案

對於運算能力強、但濕實驗室基礎設施有限的團隊而言，從 AI 設計走向實驗數據往往是一大挑戰。Twist 可提供端對端抗體解決方案，幫助研究人員完成從序列生成、候選物表達、結合評估、可開發性分析到標準化資料交付的完整流程。

圖 3：AI 加速抗體發現到數據工作流程 從序列生成、實驗表徵，到可直接用於 AI/ML 模型的標準化資料交付。

Twist 端對端抗體解決方案核心能力：

• 抗體生產： 支持 VHH、scFv 或 IgG 等格式的高通量表達，並可在 HEK 或 CHO 細胞中完成表達與純化。
• 結合評估： 產生可用於模型再訓練的標準化數據，包括動力學、親和力和表位分析（Epitope Binning）等資訊。
• 客製化表徵： 根據專案需求評估生物活性和安全性特徵，例如內化、免疫原性、細胞毒性和目標特異性交叉反應等。
• 可開發性分析： 透過自相互作用、單體純度和熱穩定性等高解析度數據，幫助更早識別具有開發潛力的候選物。
• 客製化資料交付： 提供機器可讀、統一且可對應的資料格式，方便與 AI 平台或 LIMS（實驗室資訊管理系統）整合。

透過這些能力，Twist 幫助研究人員縮短從 AI 設計到模型可用資料之間的距離，讓濕實驗室驗證真正成為 AI 研發循環的一部分。

AI 的未來，需要濕實驗室作為支點

AI/ML 正在為生命科學帶來前所未有的想像空間。但在合成生物學、抗體發現、蛋白質工程和農業生物學等領域，模型的真正價值最終仍要在實驗中被驗證。高品質合成 DNA、可靠的濕實驗室表徵和標準化數據交付，是連接 AI 預測與真實生物功能的關鍵橋樑。

當數位設計能夠被準確地構建，當實驗結果能夠被高品質回饋，當模型能夠在真實數據中持續學習，AI 驅動的生物研發才有可能真正加速。

Twist Bioscience 致力於幫助研究人員建造這座從 AI 設計通往濕實驗室驗證的橋樑，推動下一代藥物發現、抗體工程、功能基因組學和農業生物學創新。

準備好搭建通往濕實驗室的橋樑了嗎？

我們精心為您準備了系列研討會與案例研究內容，分享全球領先實驗室的 AI 科研實踐，為您提供可落地的思路與方法。點擊下方的圖片即可獲得「AI Researcher’s Guide to DNA」電子文檔，直達「系列研討會及案例研究」。

如有任何問題，歡迎洽詢 業務專員 或 加入 ABreal 倍思特生技 Line@: @abreal