案例类别：人工智能+专业课程
课程名称：微生物大实验 适用专业：海洋科学、生物技术
开课学院：海洋科学与水产学院 主讲教师：李慧芳
技术类型：深度学习和强化学习
应用场景：海洋微生物宏基因组学中的智能注释
案例简介
本案例面向海洋科学和生物技术专业《微生物大实验》课程，将人工智能技术与传统微生物学实验深度融合。案例针对传统微生物物种鉴定方法（培养分离、16S rRNA测序）周期长、通量低、且对90%以上不可培养微生物无效的核心痛点，将机器学习分类器与深度学习模型引入教学，指导学生利用AI工具对宏基因组测序数据进行高速、精准的物种注释。案例通过“数据预处理-AI智能分类-结果可视化与解读”的完整流程，培养学生实验操作和AI分析的科研能力，并深刻理解AI技术在挖掘海洋基因资源宝库、服务国家海洋强国战略中的巨大潜力，同步实现知识传授、能力培养与价值引领的教学目标。
一、背景
海洋微生物蕴藏着丰富的特殊功能基因资源，是开发新型酶制剂、药物和环保产品的“蓝色宝库”，其物种多样性是衡量海洋生态系统健康与功能的关键指标。然而，传统研究依赖于实验室培养和基于序列同源性（如BLAST）的注释方法，但超过90%的海洋微生物不可培养，导致其种类和功能无法解析，成为“微生物暗物质”。面对海量的宏基因组数据，难以进行实时或大尺度分析。这种同源性注释方法对于新发现、低同源性的物种束手无策，并且传统比对分析方法速度慢、计算资源消耗大，严重阻碍了我们对海洋微生物资源开发和生态功能认知的进程。
人工智能，特别是深度学习技术，能够整合基因序列、蛋白质结构、进化信息等多维数据，构建预测模型，直接根据一级序列预测其潜在功能，打破了传统同源性分析的桎梏。本案例引入AI技术，通过预先构建的微生物基因组数据库训练模型，能够快速将测序读数分类到各个分类层级（门、纲、目、科、属、种），大幅提升注释速度和分辨率，尤其擅长鉴定难以培养的微生物。
本案例针对解决宏基因组数据中大量未知和未培养微生物的快速、精准物种鉴定难题的核心痛点。预期目标是让学生掌握“AI+微生物注释”的研究范式，能够自主完成从实验获取序列到智能预测的完整流程，培养学生运用AI工具进行生物信息学分析和结果解读的能力，引导学生认识海洋微生物资源的战略价值，树立保护海洋生物多样性的意识，激发利用先进技术服务国家海洋资源开发与生态保护的责任感。
二、案例实施情况
本案例以“探寻南海中部海盆沉积物微生物密码”为任务主线，将实验操作与人工智能分析无缝衔接，具体实施流程如下：
1. “海洋寻宝”：获取基因数据
学生以小组形式，扮演环境微生物研究团队的角色。首先，从预先制备的南海中部沉积物样本中对微生物进行分离纯化，提取微生物总DNA。送交测序后，每位学生最终获得10条属于自己的、未知的基因序列。此过程锻炼了学生的微生物学和分子生物学操作技能，并为其提供后续AI分析的原始数据。
2. “AI鉴宝”：智能解析功能
第一步：遭遇困境，感受传统局限 学生首先将获得的序列在NCBI的BLAST等传统数据库中进行比对（图1）。他们很快发现，由于这些序列可能源自未培养的未知微生物，序列同源性很低，BLAST无法给出明确的种类注释。这一挫折感让学生切身感受到了传统分析方法在面对“微生物暗物质”时的局限性，从而深刻理解了引入新方法的必要性。
图1 单纯的BLASTn无法给出置信度高的注释信息
第二步：AI介入，智能预测 紧接着引导学生将同样的序列提交至AI功能预测平台（如geNomad）。这些平台背后的深度学习模型能够整合序列的进化信息、结构特征等多元数据。只需短短几分钟，平台便会生成一份详细的预测报告，包括：①可能的物种注释；②置信度评分；③推测的生活方式。这一步骤让学生亲身体验了AI工具高效、深入的数据挖掘能力。
图2 AI注释输出结果
第三步：对比分析，解读奥秘 学生将BLAST的模糊结果与AI提供的清晰、具体的预测报告进行对比。例如，AI不仅能给出物种名称，还能推断其生活方式，并且预测蛋白质序列。学生根据AI预测的蛋白功能，结合序列相似性，绘制系统进化树，初步推测该物种的进化关系，从而将基因功能与微生物的环境适应性联系起来，完成从“序列”到“功能”再到“生态”的逻辑闭环。
三、案例创新突破
（一）主要创新内容
本案例是“人工智能+”与“海洋特色” 在微生物学实验教学中的深度交叉融合创新。它将前沿的AI生物信息学工具作为核心教学工具而非辅助工具引入实验课程，创设了“实验产生数据-AI解析数据-数据驱动新发现”的完整科研闭环情境，打破了传统实验课“照方抓药”的模式。
（二）技术突破内容
案例本身成功实现了先进AI技术（深度学习功能预测模型）在教学应用场景中的创新性落地。将原本主要用于科研的尖端工具下沉到本科教学，让学生直接接触并使用领域内主流的研究方法，技术水平与前沿内容保持同步。
（三）应用实践突破内容
实现了人才培养模式的突破。案例培养了学生面向未来的“双重素养”：一是扎实的微生物学实验动手能力，二是利用AI处理生物大数据的计算思维。这种复合型能力结构极大地提升了海洋科学和生物技术专业人才的核心竞争力，为我国海洋强国战略输送具备交叉学科背景的创新人才提供了实践范例。
四、推广价值
本案例已在校内学生中成功实施，反响热烈。其设计理念和实施方案对于拥有海洋、生物、环境、农林地矿等特色领域的院校具有极高的推广价值。这些领域均涉及大量未被充分发掘的特殊生物资源，面临类似的功能研究瓶颈。本案例提供了可复制、可推广的“AI+实验教学”范式，只需替换目标样本和分析数据集，即可适配于不同专业场景，示范引领作用显著，应用前景广阔。
五、其他相关情况
为支持本教学活动的顺利开展，特提供以下数字资料。所有资料均已整理并存储在稳定的云盘中。
1. 教学视频类
《实验关键操作演示》
内容简介： 实拍视频，展示从模拟海洋沉积物中提取基因组DNA的前序分离培养等关键实验步骤的规范操作。
用途： 实验课前统一观看，规范操作流程，提高实验成功率。
2. 算法与代码类
2.1 《序列预处理与格式转换Python脚本》
文件名字： sequence_preprocessing.py
内容简介： 提供完整的Python代码文件，包含以下功能：
调用Biopython库提取碱基序列。
对序列进行质量修剪，去除两端低质量碱基。
将多条序列拼接、比对，并输出为FASTA格式。
用途： 让学生了解生物信息学数据分析的前处理流程，可直接用于处理本案例的测序数据。
2.2 《AI预测代码》
文件名字： AI_prediction.sh
内容简介： 一个sh文件，使用geNomad数据库，演示如何使用AI工具对未知序列进行注释，重点关注taxonomy.tsv (taxonomic assignment) 文件。
用途： 辅助学生分析查看AI预测结果，并和传统BLAST结果进行对比，培养数据分析能力。
3.数据集类
3.1 《模拟沉积物微生物基因序列数据集》
文件内容： simulated_sequences.fasta
内容简介： 一个包含10条人工生成的模拟“未知”基因序列的FASTA文件。确保BLAST比对时结果模糊，但AI工具能给出高置信度的预测。
用途： 在无法进行真实测序或测序失败时，为学生提供标准化的数据，确保所有学生都能顺利进行AI预测环节。
3.2 《示例AI预测结果报告》
文件内容： example_AI_prediction_result.txt
内容简介： 一份完整的geNomad对某条示例序列的预测结果，结果的置信度均在0.8以上，并包含样品的详细注释信息。
用途： 为学生提供一份标准答案范例，帮助他们正确解读复杂的预测报告，降低畏难情绪。
