近期，我校生物工程学院邓禹教授课题组在国际权威期刊《Biotechnology Advances》发表题为 “Designing prokaryotic gene expression regulatory elements: From genomic mining to artificial intelligence-driven generation” 的综述论文。该研究系统总结了原核生物基因表达调控元件的设计策略与研究进展，为合成生物学中实现基因表达的精准调控提供了重要理论基础与技术参考。
在合成生物学与生物制造领域，基因表达调控元件是决定细胞转录与翻译效率的重要顺式作用元件，主要包括启动子、终止子以及 5′ 非翻译区等。这些元件通过调控 RNA 聚合酶结合、转录终止以及翻译起始效率，在代谢通路优化、多基因表达平衡以及人工生物系统构建中发挥关键作用。通过对这些调控元件进行工程化设计，可在不改变编码基因功能的情况下灵活调节基因表达水平，从而优化代谢通路效率并提升微生物细胞工厂性能。然而，基因表达调控涉及复杂的分子识别与动态调控过程，往往呈现出明显的非线性特征和上下文依赖性，使得序列结构与表达功能之间的关系难以准确预测。因此，如何构建具有可预测性和可编程性的基因表达调控元件设计方法体系，已成为当前合成生物学和代谢工程研究中的重要科学问题。
本综述围绕原核生物基因表达调控元件的设计方法体系，对近年来相关研究进展进行了系统梳理。文章以技术发展脉络为主线，总结并比较了原核基因表达调控元件设计的四类主要策略，包括基于基因组挖掘的天然调控元件发现、通过功能模块重组实现性能优化的杂合工程、依赖随机突变或定点突变并结合高通量筛选的突变文库策略，以及近年来迅速发展的模型与人工智能驱动设计。这些策略分别从天然序列资源利用、模块化结构重组、规模化实验筛选以及数据驱动预测与生成等层面拓展了基因表达调控元件的设计空间，并被广泛应用于启动子、终止子以及 5′UTR 等关键调控层级的工程改造与性能优化。文章进一步系统比较了不同策略在设计效率、可预测性、实验成本以及应用场景方面的特点与局限，并分析了这些策略在不同类型调控元件中的适用性与设计特点，指出传统实验筛选方法虽然能够有效扩展序列空间，但仍面临效率与成本方面的挑战。随着高通量测序技术的发展和大规模序列与功能数据的积累，机器学习与深度学习方法正在显著提升基因表达调控元件的预测与设计能力。综述认为，人工智能与实验工程策略的深度融合，将有望推动基因表达调控由经验驱动的优化模式向可预测、可编程的理性设计模式转变，为微生物细胞工厂构建和合成生物系统设计提供新的技术路径。
通讯作者为邓禹教授和周胜虎副研究员，我校2021级博士研究生周璇为第一作者。此研究工作得到了国家重点研发计划（2024YFA0918000）、江苏省重点研发项目（现代农业）（BE2022322）、国家自然科学基金（22378170和22478156）和江苏省前沿技术研究发展计划（BF2025080）的资助。
论文链接：https://doi.org/10.1016/j.biotechadv.2025.108781。
图1 基因表达调控元件设计策略概述
图2 合成启动子工程与建模的代表性策略
图3 5′非翻译区内的调控元件及其设计策略
