人工繁殖涵盖了一系列技术和科学方法,用于在无需自然交配过程的情况下创造生物体或生物材料。该术语既包括用于人类和动物生育能力的医学干预,如体外受精(IVF),也包括用于生成生物实体的实验室技术,如克隆和合成基因组学。这些方法经过数十年的发展,整合了细胞生物学、遗传学和胚胎学的进展,并应用于从临床生育治疗到农业育种和基础研究的各个领域。
虽然辅助生殖技术(ART)侧重于克服人类和动物的不孕症,但广义上的人工繁殖还包括体细胞核移植(SCNT)等技术,该技术于1996年在罗斯林研究所产出了第一只克隆哺乳动物,,多莉羊。合成生物学的最新进展使得构建最小细菌基因组成为可能,例如J. Craig Venter研究所在2010年创造的自复制合成细胞。这些成就突显了从仅仅辅助自然过程到从分子组件设计和构建生命的转变。
历史发展
人工繁殖的历史始于早期的人工授精实验,早在18世纪就有关于牲畜育种的记录。1884年,美国医生William Pancoast报告了首例使用供体精子的人类人工授精成功案例,尽管这种做法在数十年间仍具争议且基本未受监管。20世纪中叶,胚胎移植技术在牛身上的发展由M.C. Chang等研究人员在1950年代开创,为后来的人类应用奠定了基础。
现代人工繁殖的里程碑事件是1978年Louise Brown的诞生,她是通过IVF受孕的第一例人类,由Patrick Steptoe和Robert Edwards在英国实现。这一突破促成了全球临床IVF项目的建立,并使Edwards在2010年获得诺贝尔生理学或医学奖。随后的几十年引入了改进技术,包括1992年的胞浆内单精子注射(ICSI)和植入前遗传学检测,后者允许在移植前筛查胚胎的遗传疾病。
关键技术和方法
体外受精涉及从女性体内取出卵母细胞,在实验室培养皿中用精子使其受精,并将所得胚胎移植到子宫中。该过程通常需要激素刺激以产生多个卵母细胞,首次成功使用促性腺激素是在1960年代。ICSI由Gianpiero Palermo及其同事在布鲁塞尔开发,直接将单个精子注入卵子中,解决了男性因素不孕症。
体细胞核移植(SCNT)涉及将体细胞的细胞核转移到去核卵细胞中,然后刺激其发育成胚胎。该技术用于克隆多莉,并已应用于生产转基因动物以进行药物生产,例如在乳汁中分泌治疗性蛋白的山羊。2018年,中国科学家使用SCNT克隆了食蟹猴,命名为中中和华华,标志着灵长类动物克隆的首次成功。
合成基因组学代表了更新的前沿领域,其中整个基因组被化学合成并组装。首个合成细菌基因组于2010年创建,2016年,J. Craig Venter研究所的研究人员合成了一个仅含473个基因的最小细菌基因组,称为JCVI-syn3.0。这些努力旨在理解生命的基本需求,并使设计具有新功能的生物体成为可能。
在医学和农业中的应用
在人类医学中,人工繁殖主要解决不孕症,全球约有10-15%的夫妇受到影响。根据国际辅助生殖技术监测委员会的数据,截至2018年,IVF及相关技术已在全球导致超过800万例出生。这些方法还通过卵母细胞或胚胎冷冻保存为癌症患者提供生育力保存,这种做法自1980年代以来已扩展。
在农业中,人工授精和胚胎移植被广泛用于改善牲畜遗传。乳制品行业自1940年代以来使用人工授精,首次商业应用于1936年在丹麦。现代技术包括性别选择精液,允许选择后代性别,以及基因组选择,使用DNA标记预测遗传价值。这些方法提高了牛、猪和家禽的生产力和抗病性。
伦理和监管考虑
人工繁殖引发了关于胚胎地位、设计婴儿的可能性以及生殖材料商品化的重大伦理问题。许多国家已颁布法规管理ART,允许的做法存在显著差异。例如,英国的人类受精和胚胎学管理局成立于1991年,监管IVF和胚胎研究,而美国则采用更分散的方法,对大多数ART诊所没有联邦监督。
克隆和合成基因组学已促成国际协议,如2005年联合国关于人类克隆的宣言,呼吁禁止人类生殖性克隆。然而,用于干细胞研究的治疗性克隆在某些司法管辖区仍然合法。合成生物体的创造也引发了生物安全问题,导致关于双重用途研究和负责任治理框架的讨论。
未来方向
当前人工繁殖研究侧重于提高成功率和降低风险。延时成像和人工智能的进展正应用于胚胎选择,研究表明机器学习算法可以预测着床潜力,准确性与胚胎学家相当。2019年,研究人员证明深度学习模型可以从图像评估胚胎质量,可能改善IVF结果。
另一个新兴领域是人工配子的开发,即从干细胞体外衍生精子和卵子。2016年,由Katsuhiko Hayashi领导的日本科学家使用诱导多能干细胞衍生的卵母细胞在小鼠中产生了可存活的后代。虽然人类应用仍遥远,但这项研究最终可能为因遗传或年龄相关因素导致不孕的个体提供新选择。
合成生物学继续推动边界,努力创建可编程用于工业或医疗目的的最小细胞。异种移植领域,使用基因修饰的猪器官进行人类移植,也依赖人工繁殖技术来生产和繁殖这些动物。随着这些技术的进步,它们可能需要科学家、伦理学家和政策制定者之间的持续对话,以确保负责任的发展和公平获取。
参见
- 人工智能
- 机器学习
- 深度学习
- 神经网络
- 生成式人工智能
- 数据增强
- 模型剪枝
- 课程学习
- 损失函数
- 残差网络
- U-Net
- 批归一化
- 层归一化
- 丢弃
- 权重初始化
- 位置编码
- 多头注意力
- 交叉注意力
- 编码器-解码器
- 序列到序列
- 束搜索
- Top-k采样
- Top-p采样
- 温度缩放
- 学习率调度
- Adam优化器
- SGD变体
- 梯度裁剪
- RLHF
- 大型语言模型
- Transformer
- OpenAI
- Anthropic
- Google DeepMind
- MIT CSAIL
- 斯坦福人工智能实验室
- 多伦多大学
- 卡内基梅隆大学
- 伯克利人工智能研究
- 牛津大学
- 诺基亚贝尔实验室
- 施乐帕洛阿尔托研究中心
- 巴巴原子研究中心
- 三星研究院
- 英特尔
- AMD
- 英伟达
- 高通
- ARM控股
- 台积电
- 博通
- 亚马逊网络服务
- AWS Trainium
- Azure
- 谷歌云
- 甲骨文云
- Groq
- SambaNova
- Graphcore
- D-Wave
- 阿里巴巴达摩院
- 阿里云
- Halcyon
- Insta Academy
- Omniscient
- Commure
- Intuitive Surgical
- TomTom
- BigBear.ai
- AI21 Labs
- Inflection AI
- Essential AI
- Sanctuary AI
- Figure AI
- Fermata
- Braina
- Xyber
- Waymo
- 特斯拉自动驾驶
- Llion Jones
- Jakob Uszkoreit
- Lukasz Kaiser
- Niki Parmar
- Mark Chen
- Brad Lightcap
- Jacob Steinhardt
- David Kaplan
- Jack Clark
- David Luan
- Chen Wu
- Ashish Kumar
- Karen Simonyan
- Koray Kavukcuoglu
- Michael Jordan
- Anima Anandkumar
- Samy Bengio
- Joshua Tenenbaum
- Brendan Lake
- Melanie Mitchell
- Aaron Courville
- Aleksander Madry
- Alexei Efros
- Ali Rahimi
- Ani Bhattacharya
- Anna Patterson
- Anna Ritter
- Bernard Widrow
- Brian Christian
- Calvo Rafael
- Carlos Guestrin
- Chris Bishop
- Christopher Bishop
- Craig Boutilier
- Dafna Sharon
- David Ha
- David Martin
- Deepak Kumar
- Elaine Rich
- Eilon Reshef
- Eric Horrocks
- F. Javier
- Filippo Menczer
- Francine Lied
- François Fleuret
- Adam优化器
- SGD变体
- 学习率调度
- 残差网络
- U-Net
- RLHF
- 课程学习
- 梯度裁剪
- 批归一化
- 层归一化
- 丢弃
- 权重初始化
- 损失函数
- 位置编码
- 多头注意力
- 交叉注意力
- 编码器-解码器
- 序列到序列
- 束搜索
- Top-k采样
- Top-p采样
- 温度缩放
- 模型剪枝
- 数据增强