在自动化时代有生物学家的地方吗？

当您想到自动化时，可能会想到执行人类任务的感知机器人的图像。虽然虚构的androids如r. daneel olivaw，由科幻作家Isaac Asimov创建的犯罪解决伙伴，但自动化开始取代人类的某种劳动力。无人驾驶车辆开始带到道路，机器人手臂长长地站在工厂装配线上。最近，这些武器一直在编程做饭用大厨的技巧。

当与人工智能(AI)连接在一起时，自动化可以评估并对大量数据采取行动，无论是计划一项复杂的科学实验，还是只是设置恒温器。随着机器人和算法影响我们的日常生活，我们真正步入了自动化时代。

据估计自动化将在2030年替换全球8亿个工作岗位．虽然技术预计会扰乱所有行业的职业，但特别容易被取代的工作通常是劳动密集型和重复性工作。另一方面，涉及大量人类互动和创造力的工作是最不可能被淘汰的。

一种报告瑞尔森大学(Ryerson University)布鲁克菲尔德创新创业研究所(Brookfield Institute for Innovation + Entrepreneurship)的研究报告估计了由于人工智能和机器人领域的新发展，各种职业消失的可能性。预计在未来10到20年里，装配工、检查员和服务员几乎肯定会被自动化所取代。生物学家和相关科学家被自动化取代的几率为15.6%。尽管该报告认为这是一个低风险，但它仍然高于管理人员、艺术家和教育工作者，他们被自动化取代的几率小于5%。

自动化生命科学

乍一看，这些统计数据似乎有悖直觉。生物学家的复杂工作需要高强度的智力投入，为什么他们的风险会高于其他乍一看似乎有更多组件可以自动化的职业(想想高级经理的日历)?

人们可能很容易忘记，在生物科学领域工作的科学家所完成的许多任务是可以自动化的——事实上需要将其自动化，从而为科学家们腾出时间进行艰苦的思考。移液、连续稀释、计数培养皿上的细菌菌落数量——这些曾经是生命科学家的工作任务之一——现在都实现了自动化。自动化的菌落计数器，就像Biologics Inc.为世界各地的实验室节省了数千个工时。液体处理，如Labcyte的555年回声和Opentrons”OT-2机器人无需数小时繁琐的手动移液，同时实现高通量筛选。

实验测量也可以优化和自动化使用物联网(IoT)．支持互联网的传感器可以与几乎任何设备集成，或连接到几乎所有设备以收集数据，然后存储在云中。同样，在该领域，无人机和无人驾驶飞行器（无人机）为跟踪物种发生提供低成本的高分辨率图像，从而减少了野外生物学家长途跋涉到难以接近的栖息地去计数或收集样本的需要。

算法也进入了生物工作流，预示着生物信息学和计算生物学领域的到来。序列比对软件程序，如分子进化遗传学分析(兆)使科学家能够对多个DNA或氨基酸序列进行比对，以确定保守区域，然后利用这些区域构建系统发育树，显示生物体之间的进化关系。蛋白质结构可视化软件如RasMol根据氨基酸序列生成三维蛋白质结构。

正如Illumina DNA序列子弹射的生物学家阅读DNA的能力一样，Lab Automation Plus Ai将以难以想象的方式加速生物设计 - 建立测试周期。图片礼貌MAGNUS MANSKE.维基媒体。

在制药领域，人工智能在预测分子行为和药物靶标适用性方面的应用加速了药物的发现。机器学习算法已经被一些公司使用奥姆快速筛选数千个候选基因和分子。Zymergen和Codexis等公司也在使用平台整合机器学习，基因组学和化学，以识别化学积木，并为材料和产品创建新的蛋白质。还需要算法来分析由“ - MICS”技术产生的大数据集，该技术使能够在前所未有的规模上调查生物系统。

数据分析自动化

随着自动化和算法为高通量、日益并行化的实验室实验提供了便利，生物学家被堆积如山的数据淹没。从数据中搜索有意义的结果几乎是不可能的，而且要耗费大量的时间。自动化的工作流系统，比如Riffyn的基于云的科学发展环境(SDE)利用机器学习来识别生物数据集中的噪声和错误，使生物学家能够识别真正的关联和相关性。

工作流系统也提高重复性和标准化。通过在平台中包含参数、输入和源代码，工作流允许用户跟踪用于分析数据的方法，确保更准确的结论，并促进重现性。

科学家和自动化密不可分

已经，生物学家的工作从数据收集转移到数据分析。这引出了问题 - 仍然需要在生物学中训练的科学家？生物学是一种非常复杂和迅速发展的科学，包括信令网络，发展，神经系统的接线，生态和许多其他人。Until AI – which has yet to surpass human intelligence in the ability to think creatively and critically – can draw connections between these vast areas of information, scientists’ knowledge will be critical to interpret data and understand the scientific, societal, and economic implications of their findings. Algorithms are only as good as their input data, and with many details of biological components and systems remaining a mystery, conclusions drawn from models built by algorithms with existing data may not be entirely accurate. This can yield surprising and unexpected results when experiments are done to verify these predictions.

生物研究人员的未来只会从自动化中受益。科学家们将有更多的工具和时间来解决生物学中最复杂的问题，而不会被自动化取代。技术将照亮解决越来越复杂的生物学挑战的道路，生物学家将有机会在那里阐明对自然世界理解的模糊边界。

5.