合成生物学CAD软件

01概览与价值链#

标记 EC: 欧盟AI法案通用人工智能模型义务 | OECD: 生物科技与健康 | 监管机构: FDA（美国）、EMA（欧盟）

合成生物学CAD软件将半导体芯片设计中的电子设计自动化模式应用于基因工 程：生物学家在软件中起草基因构建体，模拟设计将如何表现，并生成组装方 案——所有这些均在投入实际DNA合成之前完成。某平台的专利机器学习引擎将 “设计-构建-测试-学习"周期的完成速度提升至随机筛选的十倍；另一平台的核心 技术可追溯至Cello——一个最初为在活细胞中直接编程逻辑电路而打造的基因工 程与CAD混合平台。这是位于本站已收录的商业基因合成代工厂与菌株工程合同 研究机构之上的数字设计层——软件负责起草与模拟构建体，代工厂负责物理合 成，CRO负责工程化所得菌株，三个各自独立的阶段对应三组各自独立的供应商。

合成生物学CAD软件的关键方向：

1. BioCAD/CAM平台（BioCAD/CAM Platform）： 涵盖基因构建体从设计到构 建全周期的集成设计、模拟及组装方案生成软件。
2. 设计-构建-测试-学习自动化（DBTL Automation）： 比传统筛选更快地 完成生物系统设计、构建、测试及优化迭代循环的机器学习与AI代理工具。
3. 定制化专属软件开发（Bespoke Synbio Software）： 嵌入生物技术公司 内部、构建内部设计工具的软件工作室，而非销售统一标准化产品。
4. 基因元件与线路模拟（Genetic Part Simulation）： 在物理构建前预测 基因线路或元件在目标细胞中表现的模拟引擎。

部门价值链#

[基因构建体起草] ──> [行为模拟] ──> [组装方案生成] ──> [DBTL迭代]
                                            │
                                    （物理合成交接）
                                            │
                                            ▼
[优化后的基因设计] <─── [实验数据反馈] <──┘

价值链层级#

跨领域技术：

• BioCAD/CAM平台（BioCAD/CAM Platform）： 涵盖基因设计、模拟及方案 生成的集成软件。
• DBTL自动化（Design-Build-Test-Learn Automation）： 加速生物设计迭 代循环的机器学习/AI工具。
• 基因元件模拟（Genetic Part Simulation）： 在物理构建前对基因线路 行为进行预测建模。

02美国#

美国拥有该品类中最成熟、资金最充裕的平台，涵盖一家AI原生设计自动化企 业、一家定制软件工作室，以及一款起源于学术逻辑电路编程工具的CAD平台。

AI加速的DBTL平台、嵌入式定制软件工作室、从学术到商业的CAD发展脉络#

• TeselaGen（2013年成立）： 提供围绕Synthetic Evolution®打造的 BioCAD/CAM平台——该公司专利机器学习引擎据称能将设计-构建-测试-学习周 期的完成速度提升至随机筛选的十倍，同时提供用于文库设计与序列优化的AI 代理。
• Lattice Automation： 一家生命科学软件开发工作室，嵌入生物技术团 队内部，为其打造定制化内部设计工具与工作流软件，而非销售单一标准化 产品。
• Asimov的CAD平台： 由打造Cello的麻省理工学院教授于2017年联合创 立，Cello最初是一个用于在活细胞中编程逻辑电路行为的基因工程/CAD混合 系统，如今已发展为可在不同细胞类型中进行设计、模拟与优化的云端软件。

03中国#

未发现已确认的中国商用合成生物学CAD供应商；中国在该领域的活动集中于学 术及学生竞赛项目，而非独立的商业软件产品。

iGEM学生竞赛工具开发、未发现已确认的商业供应商、其他领域更广泛的合成生物学产能背景#

• iGEM学生竞赛工具： 中国高校团队通过国际合成生物学竞赛iGEM打造了 屡获殊荣的基因线路设计软件（基因线路可视化分析、计算机辅助合成生物设 计工具），展现出强大的学术能力，但尚未确认已衍生为独立的商业软件企 业。
• 未发现已确认的专业化生产商： 针对内地商业BioCAD供应商的检索仅返 回学术及开源工具——该部分保留为定性描述，待出现真实的商业候选企业。
• 更广泛合成生物学产能背景： 中国在本站其他文章所述的基因合成及菌 株工程制造方面拥有可观产能，但尚未产生可与美国平台相媲美的独立商业设 计软件出口产品。

04欧盟#

英国拥有一家实验设计软件先驱企业，其已从湿实验室合成生物学业务转型为 纯软件业务，如今已获得多家大型制药公司验证。

从学术衍生到纯软件的转型、实验设计自动化、经制药行业验证的平台#

• Synthace（伦敦，2011年成立）： 一家伦敦大学学院衍生企业，早期作 为合成生物学公司运营，于2017年完全转型为软件业务；其云端Digital Experiment Platform为复杂生物过程自动化实验设计，已获阿斯利康、葛兰 素史克及查尔斯河实验室验证。
• 欧盟AI法案背景： 随着CAD平台日益嵌入基于机器学习的设计自动化功 能，欧盟AI法案下通用人工智能模型的相关义务，正成为欧洲合成生物学软件 供应商所面临的新兴合规考量。
• 认可记录： Synthace于2016年被评为世界经济论坛技术先锋，并于 2018年获评Gartner生命科学领域Cool Vendor——这为一个商业实力难以独立核 实的品类提供了外部验证标志。

05领先企业与研究机构#

06技术栈与创新#

该品类的核心方法论借鉴自半导体电子设计自动化，并针对生物系统不具备硅 材料那般可预测性这一额外复杂性进行了适配。

1. 机器学习加速的DBTL迭代（ML-Driven Design Iteration）：
   • 专利机器学习引擎从每一轮实验结果中学习，比穷举式或随机筛选更高效 地提出下一轮设计迭代——这正是所宣称的设计周期数量级提速背后的核心 机制。
   • AI代理正日益承担周期中的特定子任务——文库设计、序列优化——而非平台 作为单一整体工具运作。
2. 基因线路与元件模拟（Predictive Behavior Modeling）：
   • 模拟引擎在物理构建前预测基因线路在特定宿主细胞类型中的表现——这一 能力最初源于学术逻辑电路编程研究，后被商业化。
   • 模拟准确性取决于底层基因元件行为库的质量与广度，使元件库的维护与 模拟算法本身同样重要。
3. 云端实验设计自动化（DOE Platform Architecture）：
   • 云端平台使生物学家能够设计多变量实验，以数字方式进行模拟，在联网 实验室设备上执行，并获得结构化、可供AI使用的数据——一种连接数字设 计与物理实验室执行的无代码工作流程。
   • 正是这一架构，使最初由合成生物学家为自用而打造的平台，得以转型为 销售给其他生物技术公司的独立软件产品。

07价值链与生产流程#

CAD设计基因构建体的工业流程#

┌───────────────────────────┐      ┌───────────────────────────┐
│ 1. 设计意图采集            │ ───> │ 2. 构建体起草              │
└───────────────────────────┘      └───────────────────────────┘
                                                 │
                                                 ▼
┌───────────────────────────┐      ┌───────────────────────────┐
│ 4. 方案生成                │ <─── │ 3. 行为模拟                │
└───────────────────────────┘      └───────────────────────────┘
              │
              ▼
┌───────────────────────────┐      ┌───────────────────────────┐
│ 5. 物理合成交接            │ ───> │ 6. 数据反馈与DBTL迭代      │
└───────────────────────────┘      └───────────────────────────┘

阶段1：设计意图采集

生物学家明确基因构建体的预期功能——设计应在目标宿主细胞中产生何种行为 或输出。

阶段2：构建体起草

软件从已表征的基因元件库中组装出符合既定设计意图的候选基因序列或线路。

阶段3：行为模拟

模拟引擎预测起草的构建体在目标细胞类型中的表现，在投入任何物理合成之 前标记出可能的失败模式。

阶段4：方案生成

平台生成构建最终设计所需的物理实验室组装方案——Gibson组装、Golden Gate克隆或类似方法。

阶段5：物理合成交接

生成的方案与构建体设计被移交给基因合成代工厂或内部实验室进行物理构建。

阶段6：数据反馈与DBTL迭代

经物理构建与测试的构建体所产生的实验结果，被反馈至设计平台，从而闭合 设计-构建-测试-学习循环，为下一轮设计迭代提供依据。