GPT‑5 vähendab rakuvaba valgusünteesi kulusid

Oleme näinud kiiret arengut tehistintellektil sellistes valdkondades nagu matemaatika ja füüsika, kus ideid saab sageli hinnata ilma füüsilist maailma puudutamata. Bioloogia on teistsugune. Edenemine kulgeb läbi labori, kus teadlased teevad katseid, mis nõuavad aega ja raha.

See hakkab muutuma. Tipptasemel mudelid saavad nüüd otse laboriautomaatikaga ühenduda, katseid välja pakkuda, neid suurel skaalal läbi viia, tulemustest õppida ja otsustada, mida järgmisena teha. Paljudes eluteaduste valdkondades on kitsaskohaks iteratsioon ning autonoomsed laborid on loodud selle piirangu kõrvaldamiseks.

Varasemas töös näitasime, et GPT‑5 võis parandada märglabori protokolle suletud ahelaga katsetamise kaudu. Siin näitame, et sama lähenemisviis võib vähendada valgu tootmise kulusid.

Tegime koostööd Ginkgo Bioworks⁠(avaneb uues aknas) iga, et ühendada GPT‑5 pilvelaboriga – automatiseeritud märglaboriga, mida juhitakse tarkvara abil kaugjuhtimise teel, kus robotid viivad läbi katseid ja tagastavad andmeid – ning kasutasime seda lab-in-the-loop seadistust laialdaselt kasutatava bioloogilise protsessi optimeerimiseks: rakuvaba valgu süntees (CFPS). Üle kuue suletud ahelaga katsevooru jooksul testis süsteem enam kui 36 000 unikaalset CFPS-reaktsioonikoostist 580 automatiseeritud plaadil. Pärast seda, kui GPT‑5‑le anti juurdepääs arvutile, veebibrauserile ja asjakohastele dokumentidele, viis see läbi kolm katsevooru, et kehtestada uus tipptase madala kuluga CFPS-is, saavutades 40% vähenduse valgu tootmiskulus (ja 57% paranemise reaktiivide kulus), sealhulgas uued reaktsioonikoostised, mis on vastupidavamad autonoomsetes laborites levinud reaktsioonitingimustele.

Rakuvaba valgusüntees (CFPS) on meetod valkude tootmiseks ilma elusrakke kasvatamata. Selle asemel, et panna DNA rakkudesse ja oodata, kuni need toodavad valku, töötab CFPS valkude tootmise masinavärk kontrollitud segus. See teeb sellest praktilise tööriista kiireks prototüüpimiseks ja testimiseks, kuna teadlased saavad kiiresti läbi viia palju katseid ja mõõta tulemusi samal päeval.

Valgud moodustavad suure osa sellest, mida tänapäevane bioloogia pakub. Paljud olulised ravimid põhinevad valkudel. Paljud diagnostika- ja uurimisanalüüsid sõltuvad valkudest. Tööstuskeskkondades toimivad valgud ensüümidena, mis muudavad keemilised protsessid puhtamaks ja tõhusamaks. Valke leidub isegi su pesupesemisvahendis. Kui valkude tootmine muutub kiiremaks ja odavamaks, saavad teadlased tavaliselt varem testida rohkem ideid ning vähendada kulusid, mis kaasnevad varajase teadustöö muutmisega millekski, millest inimesed saavad iga päev kasu.

CFPS on juba sellise iteratsiooni jaoks kasulik. Pudelikael on see, et seda on keeruline optimeerida ja mastaabis muutub see kalliks.

Rakuvaba valgu süntees nõuab keerukaid, omavahel toimivaid koostisosi: DNA malli, mis kodeerib valmistatavat valku, rakulüsaati (rakkude seest pärineva rakulise masinavärgi „supi“), ning suurt hulka biokeemilisi komponente, mis ulatuvad energiaallikatest kuni sooladeni. Süsteemi kui terviku üle on uskumatult raske arutleda ning paljud⁠(avaneb uues aknas) varasemad⁠(avaneb uues aknas) uuringud⁠(avaneb uues aknas) on kasutanud erinevat tüüpi masinõpet, et vähendada valgu tootmiskulusid.

Standardsetele rakuvaba valgu sünteesi (CFPS) koostistele ja kaubanduslikele komplektidele on sageli määratud hinnad, mis sobivad inimese tempos tehtavale tööle. Autonoomsed laborid suudavad käivitada tuhandeid reaktsioone ajaga, mil inimmeeskond suudaks käivitada vaid kümneid. Sellises mastaabis muutub reagentide maksumus piiravaks teguriks.

CFPS-i on samuti raske optimeerida ainult intuitsiooni abil. See on paljude omavahel suhtlevate komponentide segu. Väikesed muudatused võivad olla olulised, kuid mõju suund ei ole alati ilmne ning parimaid kombinatsioone võib olla raske leida ilma palju katseid tegemata. Varasemad lähenemisviisid on kulusid vähendanud, kuid edasiminek kipub olema järkjärguline, sest ruumi põhjalik uurimine on töömahukas.

Me ühendasime GPT‑5 Ginkgo Bioworks'i pilvelaboriga, et luua suletud ahelaga autonoomne süsteem rakuvaba valgu sünteesi (CFPS) optimeerimiseks.

GPT‑5 kavandas katsete seeriaid. Labor viis need läbi. Tulemused edastati tagasi mudelile. Mudel kasutas neid andmeid järgmise vooru ettepanekuks. Kordasime seda tsüklit kuus korda.

Et hoida tsükkel kooskõlas autonoomse labori võimalustega, lisasime enne iga katse läbiviimist range programmilise valideerimise. See valideerimine kinnitas, et tehisintellekti loodud eksperimendid olid automatiseerimisplatvormil füüsiliselt teostatavad. See takistas „paberil tehtud katseid“, mis näivad tekstis usutavad, kuid mida ei saa robotitöövoos läbi viia.

Kogu katse jooksul teostas süsteem üle 36 000 CFPS reaktsiooni 580 automatiseeritud plaadil. See ulatus on oluline, sest just see võimaldab mustritel esile kerkida. Bioloogias on üksikud katsed mürarikkad. Läbilase ja iteratsioon on viis, kuidas sa eristad signaali juhuslikust mürast. Kui GPT‑5 sai juurdepääsu asjakohasele teadusartiklile ja tööriistadele, kulus uue tipptaseme saavutamiseks kolm katsevooru ja kaks kuud: 40% madalam valgu tootmiskulu võrreldes parima varasema baasjoonega⁠(avaneb uues aknas).

Leidsime, et täiustused tulenesid selliste kombinatsioonide tuvastamisest, mis toimivad hästi koos ja peavad vastu suure läbilase automatiseerimise tegelikkuses.

Leidsime, et GPT‑5 tuvastas odavaid reaktsioonikoostised, mida inimesed ei olnud varem selles konfiguratsioonis katsetanud. Rakuvaba valgu sünteesi (CFPS) on uuritud aastaid, kuid võimalike segude hulk on endiselt suur. Kui suudad kiiresti pakkuda ja ellu viia tuhandeid kombinatsioone, võid leida toimivad piirkonnad, mida on manuaalse töövooga lihtne kahe silma vahele jätta.

Samuti leidsime, et kõrge läbilasega, plaadipõhised katsed erinevad sageli käsitsi tehtavatest, laborilaual tehtavatest katsetest. Hapnikusisaldus võib suure läbilasega reaktsiooniformaatides olla madalam. Segamine ja geomeetria võivad olla erinevad. Enamik CFPS-reaktsioone toodab katseklaasides palju rohkem valku kui mikrotiiterplaatidel, kuna suuremad mahud tagavad üldiselt parema hapniku kättesaadavuse ja segunemise. Tegelikult pakkus GPT‑5 madala mahuga plaadipõhiste reaktsioonide puhul välja palju reaktsioone, mis ületasid varasema parima tulemuse kohe pärast seda, kui sai juurdepääsu arvutile andmeanalüüsiks ja veebibrauserile asjakohaste teadusartiklite otsimiseks. Üldiselt pakkus GPT‑5 välja palju reagendikombinatsioone, mis toimisid hästi suure läbilase piirangute korral, sealhulgas paljud, mis on vastupidavamad madala hapnikusisaldusega tingimustes, mis on automatiseeritud laborikeskkondades tavalised.

Lisaks avastasime, et väikesed muudatused puhverdamises, energia taastamise komponentides ja polüamiinides avaldasid ebaproportsionaalselt suurt mõju võrreldes nende maksumusega. Need ei ole alati esimesed parameetrid, mille poole inimesed pöörduvad, kuid suure läbilase korral muutuvad need testitavateks hüpoteesideks, mitte taustaeeldusteks.

Lõpuks kujundas kulustruktuur ise selle, mis oli tähtis. CFPS-is on kulud nüüd peamiselt lüsaadi ja DNA tõttu. See tähendab, et tootlus on kõige suurema mõjuga strateegia. Kui sa suudad suurendada valgu tootlikkust kalli sisendi ühiku kohta, teed kulude osas märkimisväärseid edusamme juba enne, kui hakkad mujal marginaalseid kokkuhoide otsima.

Neid tulemusi demonstreeriti ühel valgul, sfGFP-l, ja ühel rakuvabal valgu sünteesi (CFPS) süsteemil. Üldistamine teistele valkudele ja teistele CFPS-süsteemidele tuleb veel tõestada.

Oksügenatsioon ja reaktsiooni geomeetria võivad saagikust tugevalt mõjutada ning need tegurid võivad mastaapide lõikes varieeruda. Mõned täiustused võivad olla nende tingimuste suhtes tundlikud ning nende tundlikkuse mõistmine on osa järgmisest sammust.

Protokolli täiustuste ja reagentide käsitsemise jaoks oli vajalik inimkontroll. Süsteem suudab katseid kavandada ja tõlgendada, kuid laboritöö hõlmab endiselt praktilisi üksikasju, mis vajavad kogenud operaatoreid.

Kavatseme rakendada labori-ahelaga optimeerimist ka teistes bioloogilistes töövoogudes, kus kiirem iteratsioon võib edasiminekut kiirendada. Me näeme autonoomseid laboreid mudelitele täiendavatena. Mudelid võivad luua disaine, kuid lõppkokkuvõttes vajab bioloogia siiski testimist ja kordamist. Generatsiooni ja eksperimenteerimise vahelise ahela sulgemine on see, kuidas sa muudad paljulubavad ideed toimivateks tulemusteks.

Kuna me püüame teaduslikku arengut ohutult ja vastutustundlikult kiirendada, püüame ka riske hinnata ja vähendada, eriti neid, mis on seotud bioturvalisusega. Need tulemused näitavad, et mudelid suudavad märglaboris põhjendada protokollide täiustamist ja neil võib olla mõju bioohutusele, mida me hindame ja leevendame oma Valmisoleku raamistikuga. Oleme pühendunud vajalike ja nüansirikaste kaitsemeetmete loomisele mudeli- ja süsteemitasandil, et vähendada neid riske, samuti arendame hindamisi praeguste tasemete jälgimiseks.

Oleme tänulikud oma partneritele Ginkgo Bioworks'is ja meeskondadele, kes aitasid selle töö taga oleva automatiseeritud pilvelabori kavandada, käitada ja toetada.