未來生命科學實驗室將需要自動化、開源技術、人工智能和許多其他新興領域的技能。以下是您需要了解的內容。
在 21 世紀初期，分子生物學、細胞生物學和蛋白質組學的濕實驗室技能是任何尋求生命科學工作的人的關鍵。雖然這些領域的專業(yè)知識仍然必不可少，但未來的實驗室將需要根據研究和技術的新興趨勢而不同的技能組合。

以下是我們認為有助于您熟悉的六個技能領域，以推動您的職業(yè)發(fā)展并為未來的生命科學實驗室做好準備。

1. 自動化知識
   2018 年世界經濟論壇上發(fā)表的研究發(fā)現，到 2025 年，自動化設備預計將執(zhí)行當今一半以上的任務。機器人還將在相當的時間內創(chuàng)造約 6000 萬個新工作崗位。到 2026 年，僅液體處理機器人市場規(guī)模就預計將超過 70 億美元，很難想象在不久的將來，自動化技術不會為你的簡歷增色不少。

自動化為生命科學研究人員提供了顯著的優(yōu)勢，包括提高數據質量、提高成本效率、可擴展性，以及有更多的時間去做實驗室中重復實驗以外的其他事情。自動化還有利于新一代測序或質譜蛋白質組學分析等新的復雜生物技術，這些技術需要越來越復雜的工作流程，有時過于復雜和耗時，人們無法成功執(zhí)行。隨著藥物發(fā)現、診斷甚至基礎研究對速度和吞吐量的需求不斷增加，自動化的創(chuàng)新和能力正在激增。

鑒于全自動化工作流程的巨大潛力，許多研究實驗室正在將科學家從實驗室工作中抽離出來——將他們從工作臺上拉下來，放在電腦前，設計實驗讓實驗室機器人完成，而不是自己執(zhí)行。這更有效地利用了科學家對生物學的理解，將重復的實驗室工作留給機器人，這樣生物學家就可以解決困難的科學問題。

Ginkgo Bioworks 為客戶設計定制生物體，并建立自己的工廠，利用軟件和硬件自動化來擴展該流程。Synthego 是第一家也是唯一一家提供全?；蚪M工程解決方案的公司，通過利用基于云的軟件自動化來實現這一目標。Synthace 同時利用硬件和軟件來幫助大型自動化實驗室。當然，世界各地有數百名生物學家使用 Opentrons 軟件和硬件來自動化各種實驗的協議和工作流程，從基本稀釋到 PCR 制備和 NGS。探索這些公司如何使用自動化將有助于您了解自動化如何改變生命科學研究。

2. 開源、協作和可共享性技能

開源是指源代碼可供任何人免費查看、使用、修改和共享的軟件。它允許用戶在現有代碼的基礎上進行構建和學習，同時促進和鼓勵世界各地用戶之間的協作和創(chuàng)新。

生命科學領域的開源應用程序用于吸收基因組學和其他相關應用程序產生的大量數據集，例如 Ensembl 基因組瀏覽器數據庫，任何感興趣的用戶都可以訪問基因組和其他相關數據。開源計算技術也被用于建模和模擬生物體：OpenWorm 使用它來創(chuàng)建虛擬線蟲，而 Virtual Cell 使用它來建模和模擬細胞，流行病學研究人員共享基因組數據以加快病原體分析并確定爆發(fā)源。

隨著生命科學學科中開源的使用不斷發(fā)展，編碼和數據共享方法方面的實踐專業(yè)知識將成為生命科學家的主要資產——因此，現在熟悉其中一些工具將為您在未來提供優(yōu)勢。開源協議共享平臺是一個很好的起點，例如 Protocols.io 和 Opentrons 協議庫，它們允許科學家發(fā)現和共同開發(fā)協議，以及 Plasmotron.org，它允許用戶在開源代碼的基礎上進行構建。

3. 科學傳播
   雖然所有科學家都通過科學演講、研究論文、文獻綜述和參加會議來相互交流他們的工作，但他們需要使用不同的方法與公眾交流。

能夠有效地向非技術受眾傳達生命科學研究的應用和影響，在科學家與社會之間建立了重要的聯系。這一領域的有效溝通包括使用非技術性的、樸實無華的語言，使概念易于理解，以及學習如何接觸和吸引公眾。實踐這兩個學科可以鼓勵重要的討論和辯論，并使有關科學發(fā)展的知識透明且人人都能獲得。您可以加入致力于改善科學傳播的數千名生物學家，通過參加自愿的科學推廣活動、在社交媒體上分享您的研究活動或創(chuàng)建自己的科學博客或播客來磨練您的科學傳播技能。

4. 機器學習和人工智能
   雖然聽起來很有未來感，但我們每天都被機器學習輔助的人工智能應用所包圍：智能手機上的語音助手、網站上的實時聊天功能、社交媒體推送中的定向廣告等等。這些應用利用復雜的算法和海量數據集來訓練計算機像人類一樣工作和反應。這個過程改進了計算機的學習過程，使它們在響應條件和產生結果方面更加高效——迅速提高了未來發(fā)現的速度。

在生命科學領域，機器學習已經通過其區(qū)分細胞、分析基因組數據、進行圖像分析和比以前的方法更早、更靈敏地檢測疾病指標的能力，徹底改變了研究和診斷的速度。一個主要的增長領域是利用機器學習來設計實驗。Asimov 使用開源數據開發(fā)機器學習算法，將大規(guī)模數據集與生物學機械模型聯系起來，以構建生物電路實驗。Cello 利用機器學習來自動設計活細胞中的生物電路。另一個主要的增長領域是生物信息學。 Deep Genomics 利用機器學習來收集、分析和處理基因組數據，以開發(fā)更好、更有針對性的藥物。一些公司，如 Atomwise，甚至使用深度學習框架嘗試在軟件中篩選候選藥物。熟悉這些新興應用將有助于您掌握該技術的未來用途。

5. 使用 CRISPR 進行基因編輯
   2000 年代中期發(fā)現的 CRISPR 是生命科學的一個轉折點，因為它可用于基因工程。雖然我們現在都熟悉 CRISPR 平臺，但基因編輯平臺的應用影響深遠——并且經常與許多其他新興領域重疊。Oxford Genetics 提供用于基因編輯的實驗設計工具，幫助簡化工作流程。Synthego 再次利用機器學習來推動基因工程中的實驗設計。 CRISPR Therapeutics 利用 CRISPR 基因編輯平臺開發(fā)針對血液疾?。ㄈ珑牋罴毎载氀┑乃幬?，而 Caribou Biosciences、Editas Medicine 和 Cellectis 則利用 CRISPR 和其他基因編輯技術（如 TALEN）來修改 T 細胞以針對癌細胞。

預計到 2023 年，全球 CRISPR 市場將增長 6 倍，達到 30 億美元，因此未來生命科學實驗室中利用基因編輯工具的機會應該不勝枚舉。

6. 單細胞技術
   快速發(fā)展的技術允許將蛋白質組學、基因組學、轉錄組學和表觀遺傳學技術應用于單細胞，為控制發(fā)育、基因表達、組織異質性和疾病機制的復雜生物過程提供了新穎而關鍵的見解。這些技術對于分析循環(huán)腫瘤細胞和稀有干細胞等生物現象特別有用，而這些現象對于標準“組學”應用來說具有挑戰(zhàn)性，甚至是不可能的?；蚪M編輯、自動化和微流控技術的同步發(fā)展進一步促進了單細胞應用中常見的較小樣本的快速高通量分析。10x Genomics 使用單細胞癌癥基因組學檢測來分析癌細胞。Metafluidics 是一個用于復制或重新混合微流控設備的開源設計和協議文件數據庫，是該領域的一個很好的信息存儲庫。

單細胞分析領域的增長受到基礎研究以及對早期疾病檢測技術、產前篩查、生物標志物發(fā)現、液體活檢和生物藥物開發(fā)日益增長的需求的推動。