生命科学的 6 大新兴趋势

未来生命科学实验室将需要自动化、开源技术、人工智能和许多其他新兴领域的技能。以下是您需要了解的内容。
在 21 世纪初期，分子生物学、细胞生物学和蛋白质组学的湿实验室技能是任何寻求生命科学工作的人的关键。虽然这些领域的专业知识仍然必不可少，但未来的实验室将需要根据研究和技术的新兴趋势而不同的技能组合。

以下是我们认为有助于您熟悉的六个技能领域，以推动您的职业发展并为未来的生命科学实验室做好准备。

1. 自动化知识
   2018 年世界经济论坛上发表的研究发现，到 2025 年，自动化设备预计将执行当今一半以上的任务。机器人还将在相当的时间内创造约 6000 万个新工作岗位。到 2026 年，仅液体处理机器人市场规模就预计将超过 70 亿美元，很难想象在不久的将来，自动化技术不会为你的简历增色不少。

自动化为生命科学研究人员提供了显著的优势，包括提高数据质量、提高成本效率、可扩展性，以及有更多的时间去做实验室中重复实验以外的其他事情。自动化还有利于新一代测序或质谱蛋白质组学分析等新的复杂生物技术，这些技术需要越来越复杂的工作流程，有时过于复杂和耗时，人们无法成功执行。随着药物发现、诊断甚至基础研究对速度和吞吐量的需求不断增加，自动化的创新和能力正在激增。

鉴于全自动化工作流程的巨大潜力，许多研究实验室正在将科学家从实验室工作中抽离出来——将他们从工作台上拉下来，放在电脑前，设计实验让实验室机器人完成，而不是自己执行。这更有效地利用了科学家对生物学的理解，将重复的实验室工作留给机器人，这样生物学家就可以解决困难的科学问题。

Ginkgo Bioworks 为客户设计定制生物体，并建立自己的工厂，利用软件和硬件自动化来扩展该流程。Synthego 是第一家也是唯一一家提供全栈基因组工程解决方案的公司，通过利用基于云的软件自动化来实现这一目标。Synthace 同时利用硬件和软件来帮助大型自动化实验室。当然，世界各地有数百名生物学家使用 Opentrons 软件和硬件来自动化各种实验的协议和工作流程，从基本稀释到 PCR 制备和 NGS。探索这些公司如何使用自动化将有助于您了解自动化如何改变生命科学研究。

2. 开源、协作和可共享性技能

开源是指源代码可供任何人免费查看、使用、修改和共享的软件。它允许用户在现有代码的基础上进行构建和学习，同时促进和鼓励世界各地用户之间的协作和创新。

生命科学领域的开源应用程序用于吸收基因组学和其他相关应用程序产生的大量数据集，例如 Ensembl 基因组浏览器数据库，任何感兴趣的用户都可以访问基因组和其他相关数据。开源计算技术也被用于建模和模拟生物体：OpenWorm 使用它来创建虚拟线虫，而 Virtual Cell 使用它来建模和模拟细胞，流行病学研究人员共享基因组数据以加快病原体分析并确定爆发源。

随着生命科学学科中开源的使用不断发展，编码和数据共享方法方面的实践专业知识将成为生命科学家的主要资产——因此，现在熟悉其中一些工具将为您在未来提供优势。开源协议共享平台是一个很好的起点，例如 Protocols.io 和 Opentrons 协议库，它们允许科学家发现和共同开发协议，以及 Plasmotron.org，它允许用户在开源代码的基础上进行构建。

3. 科学传播
   虽然所有科学家都通过科学演讲、研究论文、文献综述和参加会议来相互交流他们的工作，但他们需要使用不同的方法与公众交流。

能够有效地向非技术受众传达生命科学研究的应用和影响，在科学家与社会之间建立了重要的联系。这一领域的有效沟通包括使用非技术性的、朴实无华的语言，使概念易于理解，以及学习如何接触和吸引公众。实践这两个学科可以鼓励重要的讨论和辩论，并使有关科学发展的知识透明且人人都能获得。您可以加入致力于改善科学传播的数千名生物学家，通过参加自愿的科学推广活动、在社交媒体上分享您的研究活动或创建自己的科学博客或播客来磨练您的科学传播技能。

4. 机器学习和人工智能
   虽然听起来很有未来感，但我们每天都被机器学习辅助的人工智能应用所包围：智能手机上的语音助手、网站上的实时聊天功能、社交媒体推送中的定向广告等等。这些应用利用复杂的算法和海量数据集来训练计算机像人类一样工作和反应。这个过程改进了计算机的学习过程，使它们在响应条件和产生结果方面更加高效——迅速提高了未来发现的速度。

在生命科学领域，机器学习已经通过其区分细胞、分析基因组数据、进行图像分析和比以前的方法更早、更灵敏地检测疾病指标的能力，彻底改变了研究和诊断的速度。一个主要的增长领域是利用机器学习来设计实验。Asimov 使用开源数据开发机器学习算法，将大规模数据集与生物学机械模型联系起来，以构建生物电路实验。Cello 利用机器学习来自动设计活细胞中的生物电路。另一个主要的增长领域是生物信息学。 Deep Genomics 利用机器学习来收集、分析和处理基因组数据，以开发更好、更有针对性的药物。一些公司，如 Atomwise，甚至使用深度学习框架尝试在软件中筛选候选药物。熟悉这些新兴应用将有助于您掌握该技术的未来用途。

5. 使用 CRISPR 进行基因编辑
   2000 年代中期发现的 CRISPR 是生命科学的一个转折点，因为它可用于基因工程。虽然我们现在都熟悉 CRISPR 平台，但基因编辑平台的应用影响深远——并且经常与许多其他新兴领域重叠。Oxford Genetics 提供用于基因编辑的实验设计工具，帮助简化工作流程。Synthego 再次利用机器学习来推动基因工程中的实验设计。 CRISPR Therapeutics 利用 CRISPR 基因编辑平台开发针对血液疾病（如镰状细胞性贫血）的药物，而 Caribou Biosciences、Editas Medicine 和 Cellectis 则利用 CRISPR 和其他基因编辑技术（如 TALEN）来修改 T 细胞以针对癌细胞。

预计到 2023 年，全球 CRISPR 市场将增长 6 倍，达到 30 亿美元，因此未来生命科学实验室中利用基因编辑工具的机会应该不胜枚举。

6. 单细胞技术
   快速发展的技术允许将蛋白质组学、基因组学、转录组学和表观遗传学技术应用于单细胞，为控制发育、基因表达、组织异质性和疾病机制的复杂生物过程提供了新颖而关键的见解。这些技术对于分析循环肿瘤细胞和稀有干细胞等生物现象特别有用，而这些现象对于标准“组学”应用来说具有挑战性，甚至是不可能的。基因组编辑、自动化和微流控技术的同步发展进一步促进了单细胞应用中常见的较小样本的快速高通量分析。10x Genomics 使用单细胞癌症基因组学检测来分析癌细胞。Metafluidics 是一个用于复制或重新混合微流控设备的开源设计和协议文件数据库，是该领域的一个很好的信息存储库。

单细胞分析领域的增长受到基础研究以及对早期疾病检测技术、产前筛查、生物标志物发现、液体活检和生物药物开发日益增长的需求的推动。