GPT‑5 কোষ-মুক্ত প্রোটিন সংশ্লেষণের খরচ কমিয়ে দেয়

গণিত এবং পদার্থবিদ্যার মতো ক্ষেত্রে, যেখানে ধারণাগুলি প্রায়ই শারীরিক জগৎ স্পর্শ না করেই মূল্যায়ন করা যায়, আমরা AI থেকে দ্রুত অগ্রগতি দেখেছি. বায়োলজি আলাদা. অগ্রগতি ল্যাবের মধ্য দিয়ে প্রবাহিত হয়, যেখানে বিজ্ঞানীরা সময় এবং অর্থ ব্যয় করে পরীক্ষা চালান.

এটা এখন পরিবর্তন হতে শুরু করেছে. অত্যাধুনিক মডেলগুলি এখন সরাসরি ল্যাব অটোমেশনের সাথে সংযুক্ত হতে পারে, পরীক্ষার প্রস্তাব করতে পারে, সেগুলি বৃহৎ পরিসরে চালাতে পারে, ফলাফল থেকে শিখতে পারে এবং পরবর্তী পদক্ষেপ কী হবে তা সিদ্ধান্ত নিতে পারে. লাইফ সায়েন্সের অনেক ক্ষেত্রে, বাধা হলো পুনরাবৃত্তি এবং স্বায়ত্তশাসিত ল্যাবগুলো সেই সীমাবদ্ধতা দূর করার জন্য তৈরি করা হয়.

আগের কাজগুলোতে, আমরা দেখিয়েছিলাম যে GPT‑5 ক্লোজড-লুপ পরীক্ষার মাধ্যমে ওয়েট-ল্যাব প্রোটোকল উন্নত করতে সক্ষম. এখানে, আমরা দেখাই যে একই পদ্ধতি প্রোটিন উৎপাদনের খরচ কমাতে পারে.

আমরা Ginkgo Bioworks⁠(একটি নতুন উইন্ডোতে খোলে)-এর সাথে অংশীদারিত্ব করেছি যাতে GPT‑5‑কে একটি ক্লাউড ল্যাবরেটরির সাথে যুক্ত করা যায়—এটি সফটওয়্যারের মাধ্যমে দূর থেকে পরিচালিত একটি স্বয়ংক্রিয় ওয়েট ল্যাব, যেখানে রোবটরা পরীক্ষা চালায় এবং তথ্য প্রদান করে—এবং একটি বহুল ব্যবহৃত জৈবিক প্রক্রিয়া 'কোষ-মুক্ত প্রোটিন সংশ্লেষণ' (CFPS) উন্নত করতে আমরা সেই ল্যাব-ইন-দ্য-লুপ সেটআপটি ব্যবহার করেছি. ছয়টিরও বেশি ক্লোজড-লুপ পরীক্ষার রাউন্ডে, সিস্টেমটি 580-টি স্বয়ংক্রিয় প্লেটে 36,000-টিরও বেশি অনন্য CFPS প্রতিক্রিয়া সংমিশ্রণ পরীক্ষা করেছে. একটি কম্পিউটার, একটি ওয়েব ব্রাউজার এবং প্রাসঙ্গিক কাগজপত্রে প্রবেশাধিকার পাওয়ার পর, GPT‑5 কম খরচের CFPS-এ নতুন অত্যাধুনিক মানদণ্ড প্রতিষ্ঠা করতে তিন রাউন্ড পরীক্ষা-নিরীক্ষা সম্পন্ন করেছে, প্রোটিন উৎপাদন খরচে 40% হ্রাস (এবং রিএজেন্টের খরচে 57% উন্নতি) অর্জন করেছে, যার মধ্যে রয়েছে নতুন প্রতিক্রিয়া সংমিশ্রণ যা স্বায়ত্তশাসিত ল্যাবগুলিতে সাধারণ প্রতিক্রিয়া শর্তের প্রতি আরও বেশি দৃঢ়.

কোষ-মুক্ত প্রোটিন সংশ্লেষণ (CFPS) হলো জীবিত কোষ বৃদ্ধি না করেই প্রোটিন তৈরি করার একটি পদ্ধতি. DNA কোষে প্রবেশ করানোর এবং প্রোটিন উৎপাদনের জন্য অপেক্ষা করার পরিবর্তে, CFPS একটি নিয়ন্ত্রিত মিশ্রণে প্রোটিন তৈরির প্রক্রিয়া পরিচালনা করে. এটি দ্রুত প্রোটোটাইপিং এবং পরীক্ষার জন্য একটি ব্যবহারিক টুল হয়ে ওঠে, কারণ বিজ্ঞানীরা দ্রুত অনেক পরীক্ষা চালাতে পারেন এবং একই দিনে ফলাফল পরিমাপ করতে সক্ষম হন.

প্রোটিন আধুনিক জীববিজ্ঞানের একটি বড় অংশ যা সরবরাহ করে. অনেক গুরুত্বপূর্ণ ওষুধ প্রোটিনের উপর ভিত্তি করে তৈরি. অনেক ডায়াগনস্টিক এবং গবেষণা পরীক্ষার জন্য প্রোটিনের উপর নির্ভরশীল. শিল্পকারখানার পরিবেশে প্রোটিন এনজাইম হিসেবে কাজ করে, যা রাসায়নিক প্রক্রিয়াগুলোকে আরও পরিচ্ছন্ন এবং কার্যকর করে তোলে. আপনার লন্ড্রি ডিটারজেন্টেও প্রোটিন থাকে. যখন প্রোটিন উৎপাদন দ্রুততর এবং সস্তা হয়ে যায়, তখন বিজ্ঞানীরা সাধারণত আরও বেশি ধারণা দ্রুত পরীক্ষা করতে পারেন এবং প্রাথমিক গবেষণাকে এমন কিছুতে রূপান্তর করার খরচ কমাতে পারেন, যা থেকে মানুষ প্রতিদিন উপকৃত হয়.

এই ধরনের পুনরাবৃত্তির জন্য CFPS ইতিমধ্যেই কার্যকর. বাধা হলো এটি অপ্টিমাইজ করা কঠিন এবং বড় পরিসরে ব্যয়বহুল হয়ে যায়.

কোষ-মুক্ত প্রোটিন সংশ্লেষণের জন্য জটিল, পারস্পরিক ক্রিয়াশীল উপাদান প্রয়োজন: তৈরি করতে হবে এমন প্রোটিনের জন্য DNA টেমপ্লেট, সেল লাইসেট (কোষের ভেতর থেকে আসা কোষীয় যন্ত্রপাতির স্যুপ), এবং শক্তির উৎস থেকে শুরু করে লবণ পর্যন্ত বিস্তৃত বিপুল সংখ্যক জৈবরাসায়নিক উপাদান. সিস্টেমটিকে সামগ্রিকভাবে বোঝা অত্যন্ত কঠিন এবং অনেক⁠(একটি নতুন উইন্ডোতে খোলে) পূর্ববর্তী⁠(একটি নতুন উইন্ডোতে খোলে) গবেষণা⁠(একটি নতুন উইন্ডোতে খোলে) প্রোটিন উৎপাদন খরচ কমাতে বিভিন্ন ধরনের মেশিন লার্নিং ব্যবহার করেছে.

স্ট্যান্ডার্ড কোষ-মুক্ত প্রোটিন সিনথেসিস (CFPS) ফর্মুলেশন এবং বাণিজ্যিক কিট প্রায়ই মানুষের কাজের গতির জন্য মূল্য নির্ধারণ করা হয়. একটি মানব দল যে সময়ে মাত্র কয়েক ডজন বিক্রিয়া সম্পন্ন করতে পারে, স্বায়ত্তশাসিত ল্যাবগুলো সেই একই সময়ে হাজার হাজার বিক্রিয়া পরিচালনা করতে পারে. সেই মাত্রায়, রিএজেন্টের খরচ সীমাবদ্ধকারী ফ্যাক্টর হয়ে দাঁড়ায়.

CFPS শুধুমাত্র স্বজ্ঞার উপর নির্ভর করে অপ্টিমাইজ করা কঠিন. এটি অনেক পরস্পর ক্রিয়াশীল উপাদানের মিশ্রণ. ছোট পরিবর্তনগুলো গুরুত্বপূর্ণ হতে পারে, কিন্তু প্রভাবের দিক সবসময় স্পষ্ট নয় এবং অনেক পরীক্ষা না চালিয়ে সেরা সমন্বয় খুঁজে পাওয়া কঠিন হতে পারে. আগের পদ্ধতিগুলি খরচ কমিয়েছে, তবে অগ্রগতি সাধারণত ধীরগতির হয় কারণ ক্ষেত্রটি সম্পূর্ণভাবে অনুসন্ধান করা শ্রমসাধ্য.

আমরা GPT‑5‑কে Ginkgo Bioworks-এর ক্লাউড ল্যাবরেটরির সাথে যুক্ত করে কোষ-মুক্ত প্রোটিন সংশ্লেষণ (CFPS) অপ্টিমাইজেশনের জন্য একটি বন্ধ-লুপ স্বয়ংক্রিয় সিস্টেম তৈরি করেছি.

GPT‑5 পরীক্ষার ব্যাচগুলি ডিজাইন করেছে. ল্যাবটি তাদের সম্পাদন করেছে. ফলাফলগুলো মডেলে পুনরায় প্রদান করা হয়েছিল. মডেলটি সেই ডেটা ব্যবহার করে পরবর্তী রাউন্ডের প্রস্তাব দিয়েছে. আমরা সেই চক্রটি ছয়বার পুনরাবৃত্তি করেছি.

একটি স্বয়ংক্রিয় ল্যাব কী করতে সক্ষম তার উপর ভিত্তি করে লুপটিকে বাস্তবসম্মত রাখতে, আমরা কোনো পরীক্ষা শুরু হওয়ার আগে কঠোর প্রোগ্রাম্যাটিক যাচাইকরণ যোগ করেছি. ঐ যাচাইকরণ নিশ্চিত করেছে যে AI-নকশাকৃত পরীক্ষাগুলো অটোমেশন প্ল্যাটফর্মে শারীরিকভাবে সম্পাদনযোগ্য ছিল. এটি এমন “পেপার এক্সপেরিমেন্ট” প্রতিরোধ করেছে, যা লেখায় বিশ্বাসযোগ্য মনে হয় কিন্তু রোবোটিক কর্মপ্রবাহে বাস্তবে সম্পন্ন করা যায় না.

পুরো রান জুড়ে, সিস্টেমটি 580-টি স্বয়ংক্রিয় প্লেটে 36,000-এরও বেশি CFPS প্রতিক্রিয়া সম্পাদন করেছে. এই স্কেলটি গুরুত্বপূর্ণ কারণ এটি প্যাটার্নগুলোকে উদ্ভাসিত হতে দেয়. জীববিজ্ঞানে, একক পরীক্ষা-নিরীক্ষা কোলাহলপূর্ণ হয়. থ্রুপুট এবং পুনরাবৃত্তি হলো কিভাবে আপনি এলোমেলো শব্দ থেকে সংকেত আলাদা করেন. GPT‑5 যখন প্রাসঙ্গিক পেপার এবং টুলগুলিতে অ্যাক্সেস পেল, তখন তিন দফা পরীক্ষা-নিরীক্ষা এবং দুই মাস সময় লেগেছিল একটি নতুন স্টেট-অফ-দ্য-আর্ট স্থাপন করতে: সেরা পূর্ববর্তী বেসলাইন⁠(একটি নতুন উইন্ডোতে খোলে)-এর তুলনায় প্রোটিন উৎপাদন খরচ 40% কম.

আমরা দেখেছি যে উন্নতিগুলি এসেছে এমন সমন্বয়গুলি শনাক্ত করার মাধ্যমে, যেগুলি একসাথে ভালোভাবে কাজ করে এবং উচ্চ-থ্রুপুট অটোমেশনের বাস্তবতায়ও কার্যকর থাকে.

আমরা লক্ষ্য করেছি যে GPT‑5 এমন কম খরচের প্রতিক্রিয়া সংমিশ্রণ শনাক্ত করেছে যা মানুষ আগে এই বিন্যাসে পরীক্ষা করেনি. কোষ-মুক্ত প্রোটিন সিনথেসিস (CFPS) বহু বছর ধরে অধ্যয়ন করা হয়েছে, কিন্তু সম্ভাব্য মিশ্রণের ক্ষেত্র এখনও বিশাল. যখন আপনি দ্রুত হাজার হাজার কম্বিনেশন প্রস্তাব এবং সম্পাদন করতে পারেন, তখন আপনি এমন কার্যকর অঞ্চল খুঁজে পেতে পারেন যা ম্যানুয়াল ওয়ার্কফ্লোতে সহজেই চোখ এড়িয়ে যায়.

আমরা আরও দেখেছি যে উচ্চ-থ্রুপুট, প্লেট-ভিত্তিক পরীক্ষা প্রায়ই ম্যানুয়াল, বেঞ্চ-টপ পরীক্ষার থেকে আলাদা হয়. উচ্চ-থ্রুপুট প্রতিক্রিয়া ফরম্যাটে অক্সিজেনেশনের মাত্রা কম হতে পারে. মিশ্রণ এবং জ্যামিতি আলাদা হতে পারে. বেশিরভাগ CFPS বিক্রিয়া মাইক্রোটাইটার প্লেটের তুলনায় টেস্ট টিউবে অনেক বেশি প্রোটিন উৎপন্ন করে, কারণ বড় স্কেলে সাধারণত বেশি অক্সিজেনের প্রাপ্যতা এবং ভালো মিশ্রণ পাওয়া যায়. আসলে, কম ভলিউমে প্লেট-ভিত্তিক প্রতিক্রিয়ার ক্ষেত্রে, GPT‑5 ডেটা বিশ্লেষণের জন্য কম্পিউটারে প্রবেশাধিকার এবং প্রাসঙ্গিক পেপার খুঁজতে ওয়েব ব্রাউজার পাওয়ার পরপরই এমন অনেক প্রতিক্রিয়া প্রস্তাব করেছিল যা আগের সেরাটিকেও ছাড়িয়ে গিয়েছিল. সামগ্রিকভাবে, GPT‑5 অনেক রিএজেন্ট কম্বিনেশন প্রস্তাব করেছে যা উচ্চ-থ্রুপুট সীমাবদ্ধতার অধীনে ভালো পারফর্ম করেছে, যার মধ্যে অনেকগুলো স্বয়ংক্রিয় ল্যাব সেটিংসে সাধারণ নিম্ন-অক্সিজেন অবস্থায় আরও বেশি শক্তিশালী.

এছাড়াও, আমরা দেখেছি যে বাফারিং, শক্তি পুনর্জন্মের উপাদান এবং পলিআমাইনে ছোট পরিবর্তনগুলো তাদের খরচের তুলনায় অতিরিক্ত প্রভাব ফেলেছিল. এগুলো সবসময় মানুষের প্রথম পছন্দের প্যারামিটার না হলেও, উচ্চ থ্রুপুটে এগুলো পটভূমিগত অনুমান থেকে পরীক্ষণযোগ্য অনুমানে পরিণত হয়.

অবশেষে, খরচের কাঠামো নিজেই গুরুত্বপূর্ণ বিষয়গুলো নির্ধারণ করেছে. CFPS-এ, খরচ এখন মূলত লাইসেট এবং DNA দ্বারা প্রভাবিত. এর মানে হলো ইয়িল্ড হচ্ছে সর্বোচ্চ লিভারেজের কৌশল. যদি আপনি ব্যয়বহুল ইনপুটের প্রতি ইউনিটে প্রোটিন আউটপুট বাড়াতে পারেন, তবে অন্যত্র সামান্য সাশ্রয়ের পেছনে ছোটা শুরু করার আগেই খরচের ক্ষেত্রে আপনি অর্থবহ অগ্রগতি করতে পারেন.

এই ফলাফলগুলি একটি প্রোটিন, sfGFP এবং একটি কোষ-মুক্ত প্রোটিন সংশ্লেষণ (CFPS) সিস্টেমে প্রদর্শিত হয়েছিল. অন্যান্য প্রোটিন এবং অন্যান্য CFPS সিস্টেমে সাধারণীকরণ এখনও প্রদর্শিত হওয়া প্রয়োজন.

অক্সিজেনেশন এবং বিক্রিয়ার জ্যামিতি উৎপাদনের উপর উল্লেখযোগ্য প্রভাব ফেলতে পারে এবং এই উপাদানগুলো বিভিন্ন স্কেলে ভিন্ন হতে পারে. কিছু উন্নতি এই শর্তগুলোর প্রতি সংবেদনশীল হতে পারে এবং সেই সংবেদনশীলতাগুলো বোঝা পরবর্তী পদক্ষেপের একটি অংশ.

প্রোটোকল উন্নতি এবং রিএজেন্ট পরিচালনার জন্য মানব তদারকি প্রয়োজন ছিল. সিস্টেমটি পরীক্ষা ডিজাইন ও ব্যাখ্যা করতে পারে, কিন্তু ল্যাবরেটরি কাজ এখনও এমন ব্যবহারিক খুঁটিনাটি জড়িত থাকে যার জন্য অভিজ্ঞ অপারেটর দরকার.

আমরা ল্যাব-ইন-দ্য-লুপ অপ্টিমাইজেশন অন্যান্য জৈবিক ওয়ার্কফ্লোতেও প্রয়োগ করার পরিকল্পনা করছি, যেখানে দ্রুত পুনরাবৃত্তি অগ্রগতির পথ খুলে দিতে পারে. আমরা স্বায়ত্তশাসিত ল্যাবগুলোকে মডেলের পরিপূরক হিসেবে দেখি. মডেলগুলি ডিজাইন তৈরি করতে পারে, তবে শেষ পর্যন্ত জীববিজ্ঞানে পরীক্ষা এবং পুনরাবৃত্তি প্রয়োজন. জেনারেশন এবং পরীক্ষা-নিরীক্ষার মধ্যে চক্রটি সম্পূর্ণ করাই হলো কিভাবে আপনি আশাব্যঞ্জক ধারণাগুলিকে কার্যকর ফলাফলে পরিণত করতে পারেন.

আমরা যখন নিরাপদে এবং দায়িত্বশীলভাবে বৈজ্ঞানিক অগ্রগতি দ্রুত করার জন্য কাজ করছি, তখন আমরা ঝুঁকিগুলি, বিশেষত বায়োসেকিউরিটি সম্পর্কিত ঝুঁকিগুলি মূল্যায়ন এবং হ্রাস করার জন্যও সচেষ্ট. এই ফলাফলগুলি দেখায় যে মডেলগুলি ওয়েট ল্যাবে যুক্তিবিচার করতে পারে প্রোটোকল উন্নত করতে এবং বায়োসিকিউরিটির জন্য প্রভাব থাকতে পারে যা আমরা আমাদের প্রিপেয়ার্ডনেস ফ্রেমওয়ার্ক⁠ এর মাধ্যমে মূল্যায়ন ও প্রশমন করি. আমরা মডেল এবং সিস্টেম স্তরে প্রয়োজনীয় এবং সূক্ষ্ম সুরক্ষা ব্যবস্থা তৈরি করতে প্রতিশ্রুতিবদ্ধ, যা এই ঝুঁকিগুলি কমাবে এবং বর্তমান স্তরগুলি ট্র্যাক করার জন্য মূল্যায়ন তৈরি করবে.

এই কাজের পেছনে থাকা স্বয়ংক্রিয় ক্লাউড ল্যাবরেটরিটি নকশা করতে, পরিচালনা করতে, এবং সহায়তা করতে সাহায্য করা Ginkgo Bioworks-এর আমাদের অংশীদারদের এবং দলগুলোর প্রতি আমরা কৃতজ্ঞ.