تسریع پیشرفت علمی یکی از ارزشمند ترین روشهایی است که هوش مصنوعی میتواند به سود بشریت باشد. با GPT‑5، ما شروع به دیدن نشانههای اولیه این موضوع کردهایم—نه تنها در کمک به محققان برای حرکت سریعتر در ادبیات علمی، بلکه همچنین در پشتیبانی از اشکال جدید استدلال علمی، مانند آشکارسازی ارتباطات غیرمنتظره، پیشنهاد راهبردهای اثبات، یا پیشنهاد سازوکارهای محتمل که کارشناسان میتوانند ارزیابی و آزمایش کنند.
پیشرفت تا به امروز در زمینههایی مانند ریاضیات، فیزیک نظری و علوم کامپیوتر نظری بیشترین وضوح را داشته است، جایی که ایدهها میتوانند بدون آزمایشهای فیزیکی بهطور دقیق بررسی شوند. زیستشناسی متفاوت است: بیشتر پیشرفتها به اجرای تجربی، تکرار و اعتبار سنجی تجربی در آزمایشگاه وابسته است.
برای کمک به درک نحوه رفتار مدلهای پیشرو در این شرایط، ما با Red Queen Bio، یک استارتآپ امنیت زیستی، همکاری کردیم تا یک چارچوب ارزیابی ایجاد کنیم که نحوه پیشنهاد، تحلیل و تکرار ایدهها توسط مدل در آزمایشگاه عملی را بررسی کند. ما یک سیستم آزمایشی ساده در زیستشناسی مولکولی راهاندازی کردیم و از GPT‑5 خواستیم تا یک پروتکل کلونینگ مولکولی را برای بهینهسازی کارایی بهبود دهد.
در طول چندین دور آزمایش، GPT‑5 مکانیزم جدیدی معرفی کرد که کارایی کلونینگ را ۷۹ برابر افزایش داد. کلونینگ یک ابزار بنیادی در زیستشناسی مولکولی است. کارایی روشهای کلونینگ برای ایجاد کتابخانههای بزرگ و پیچیده که در مهندسی پروتئین(در یک پنجره جدید باز میشود)، غربالگری ژنتیکی(در یک پنجره جدید باز میشود) و مهندسی سویههای ارگانیسمی(در یک پنجره جدید باز میشود) نقش مرکزی دارند، حیاتی است. این پروژه نگاهی به چگونگی همکاری هوش مصنوعی با زیستشناسان برای سرعت بخشیدن به تحقیقات ارائه میدهد. بهبود روشهای آزمایشی به محققان انسانی کمک میکند تا سریعتر پیش بروند، هزینهها را کاهش دهند و کشفیات را به تأثیرات واقعی تبدیل کنند.
چون پیشرفتها در استدلال بیولوژیکی پیامدهای امنیت زیستی دارند، این کار را در محیطی به شدت کنترلشده انجام دادیم—با استفاده از یک سیستم آزمایشی بیضرر، محدود کردن دامنه کار، و ارزیابی رفتار مدل برای اطلاعرسانی به ارزیابیهای ریسک امنیت زیستی و توسعه تدابیر حفاظتی در سطح مدل و سیستم، همانطور که در چارچوب آمادگی(در یک پنجره جدید باز میشود) ما آمده است.
در این تنظیمات، GPT‑5 بهطور خودکار درباره پروتکل شبیهسازی استدلال کرد، اصلاحاتی را پیشنهاد داد و دادههای حاصل از آزمایشهای جدید را برای پیشنهاد بهبودهای بیشتر به کار گرفت. تنها مداخله انسانی این بود که دانشمندان پروتکل اصلاحشده را اجراء و دادههای تجربی را بارگذاری کنند.
در طول چندین مرحله، GPT‑5 روش کلونسازی را بهینهسازی کرد تا کارایی را بیش از ۷۹ برابر افزایش دهد—به این معنا که برای مقدار ثابتی از DNA ورودی، ما ۷۹ برابر بیشتر از پروتکل پایه، کلونهای تأیید شده از نظر توالی را بازیابی کردیم. به طور خاص، دو آنزیم معرفی شدند که یک مکانیسم جدید را تشکیل میدهند: ریکامبیناز RecA از E. coli و پروتئین اتصالدهنده DNA تکرشتهای ژن 32 فاژ T4 (gp32). در همکاری همزمان، gp32 انتهای آزاد DNA را صاف و مرتب میکند و سپس RecA هر رشته را به جفت صحیح خود هدایت میکند.
غربالگری اولیه و آزمایشهای ثانویه، RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF) و Transformation 7 (T7) را به ترتیب به عنوان برترین پروتکلهای آنزیمی و ترانسفورماسیون شناسایی کردند. هم مونتاژ RAPF و هم تبدیل T7 به طور مستقل کارایی کلونینگ را نسبت به پروتکل پایه کلونینگ واکنش HiFi بهبود بخشیدند، به ترتیب ۲.۶ برابر و ۳۶ برابر؛ و در ترکیب با هم بهبود افزایشی در عملکرد به میزان ۷۹ برابر ارائه کردند. تمام کلونها با توالییابی تأیید شدند. (نوارهای خطا: انحراف معیار (SD) از n=3 آزمایشهای اعتبارسنجی مستقل).
اگرچه این نتایج هنوز در مراحل اولیه هستند، اما دلگرمکنندهاند. بهبودها به تنظیمات خاص کلونینگ ما که در سیستم مدل ما استفاده میشود، مربوط میشوند و همچنان نیاز به دانشمندان انسانی برای تنظیم و اجرای پروتکلها دارند. با این حال، این آزمایشها نشان میدهند که سیستمهای هوش مصنوعی میتوانند به طور معناداری به کارهای واقعی آزمایشگاهی کمک کنند و ممکن است در آینده به تسریع کار دانشمندان انسانی کمک کنند.
قابل توجه است که حلقه آزمایشگاه هوش مصنوعی با اعلانهای ثابت و بدون دخالت انسانی اجرا شد. این داربست به آشکارسازی ظرفیت مدل برای پیشنهاد تغییرات پروتکل واقعاً جدید و مستقل از راهنمایی انسانی کمک کرد، اما همچنین سیستم را در حالت اکتشاف قفل کرد و توانایی آن را در به حداکثر رساندن عملکرد ایدههای تازه کشفشده محدود کرد. یک تعادل پویا و بهتر بین اکتشاف و بهرهبرداری احتمالاً منجر به دستاوردهای بزرگتری خواهد شد، زیرا هم بهبودهای آنزیمی و هم تحولات، فضای قابل توجهی برای بهبود دارند. ما انتظار داریم که پیشرفتها در برنامهریزی و استدلال در افق وظایف، توانایی اعلانهای ثابت ساده را برای پشتیبانی از کشف و بهینهسازی بعدی بهبود بخشد.
واکنش Gibson assembly(در یک پنجره جدید باز میشود) از زمان اختراعش در سال ۲۰۰۹ به عنوان یک روش اصلی کلونینگ بوده و به طور گسترده در زیستشناسی مولکولی پذیرفته شده است. مونتاژ گیبسون به زیستشناسان مولکولی اجازه میدهد تا قطعات DNA را با «چسباندن» به یکدیگر متصل کنند، به این صورت که انتهای آنها را به طور مختصر ذوب میکنند تا توالیهای مشابه به یک مولکول واحد متصل شوند. یکی از جذابیتهای اصلی مونتاژ گیبسون سادگی آن است: همه چیز در یک لوله و در یک دما انجام میشود. این محدودیتها به طور طبیعی فضایی برای بهبود باقی میگذارند. علاوه بر این، ویژگیهای زیر آن را برای ارزیابی تواناییهای مدلهای هوش مصنوعی در بهبود تکنیکهای آزمایشگاه مرطوب مناسب میسازد:
- بهخوبی تعریفشده با اجزای کنترلشده، برخلاف سیستم مبتنی بر سلول
- یک تابع بهینهسازی واضح دارد: DNA دایرهای قابل تبدیل که از مقدار ثابتی از ورودیهای DNA خطی ساخته شده است
- چرخههای آزمایشی به نسبت سریع (۲-۱روز)
- فضای طراحی با ابعاد بالا که نیاز به استدلال مکانیکی برای بهبود دارد: بافرهای بهینه، معرفها و دماها همگی به یکدیگر وابستهاند
ما از مونتاژ HiFi(در یک پنجره جدید باز میشود)، یک سیستم آنزیمی اختصاصی که توسط New England Biolabs توسعه یافته و بر اساس مونتاژ گیبسون است، به عنوان نقطه شروع بهینهسازی استفاده کردیم. ما بررسی کردیم که آیا یک هوش مصنوعی میتواند نوآوری کند و از بازخوردهای تجربی یاد بگیرد، وقتی که محدودیتهای تکمرحلهای و همدما برداشته شوند، و بدین ترتیب بهبودهایی در پروتکلها در این سناریو شناسایی کند.
به طور خاص، ما یک واکنش کلونینگ دو بخشی را با استفاده از ژن پروتئین فلورسنت سبز (GFP) و پلاسمید pUC19 که به طور گسترده به عنوان یک «وسیله» استاندارد DNA برای انتقال ژنها به باکتریها استفاده میشود تا بتوانند تکثیر شوند، انجام دادیم. هدف این بود که تعداد کلونیهای موفق افزایش یابد.
ما واکنش کلونینگ را با معرفی یک چارچوب تکاملی برای تکرار بر روی پیشنهادات بهینهسازی کردیم، که به مدل امکان میدهد از آزمایشهای گذشتهاش به صورت «آنلاین» یاد بگیرد. در هر دور، GPT‑5 مجموعهای از ۸ تا ۱۰ واکنش مختلف را پیشنهاد میکرد، و واکنشهایی که نیاز به معرفهای سفارشی داشتند که آزمایشگاه بهراحتی در دسترس نداشت، به دورهای بعدی منتقل میشدند. سپس دانشمندان انسانی واکنشها را انجام دادند و تعداد کلونیها را نسبت به مبنای اولیه مونتاژ HiFi Gibson در یک بررسی اولیه اندازهگیری کردند. بهترین دادههای عملکردی از دور قبلی سپس به دور بعدی وارد شدند. نکته مهم این است که استاندارد سازی اعلانها بدون دخالت انسانی به جزء سوالات توضیحی انجام شد، که به ما اجازه میدهد بینشهای مکانیکی جدید را به طور مستقیم به هوش مصنوعی نسبت دهیم نه به راهنمایی انسانی.
ما هشت واکنش برتر از سری بهینهسازی کامل را با استفاده از طیف وسیعتری از رقیقسازیهای DNA دوباره آزمایش کردیم و دریافتیم که بسیاری از آنها اثرات کمتری نسبت به غربالگری اولیه نشان دادند؛ در نهایت، قویترین کاندیدای تأیید شده واکنشی از دور۵- بود که عملکرد اصلی خود را باز تولید کرد. بسیاری از عملکردهای برتر به خانواده لیگاز-پولیش تعلق داشتند که به نظر میرسد به تغییرات کوچک در وضعیت سلولهای شایسته و/یا مدیریت DNA پس از واکنش حساسیت خاصی نشان میدهد. چون این واکنشها از یک مرحله کوتاه HiFi استفاده کردند، ما فرض میکنیم که بسیاری از محصولات احتمالاً وارد E. coli میشوند در حالی که تنها یک اتصال مهر و موم شده و دیگری با آنیلینگ نگه داشته میشود، و نجات بعدی به مسیرهای ترمیم سلولی واگذار میشود. این وضعیت باعث ایجاد واریانس بالا و یک دینامیک «جکپات» میشود: حتی اگر در بیشتر مواقع، انواع مختلف این واکنش عملکرد بهتری نداشته باشند، یک نمونه قوی و استثنایی میتواند خانواده را به دورهای بعدی ببرد.
در حالی که ما بر بهینهسازی واکنش کلونینگ در طول دورها به دلیل پیچیدگی مکانیکی آن تمرکز داشتیم، بهطور همزمان روش تبدیل را با استفاده از یک دور «یک باره» بهینهسازی کردیم که در آن مدل تغییرات مستقل زیادی را پیشنهاد کرد و ما بهترین واکنش را انتخاب کردیم.
صفحات بهینهسازی اولیه در جریان کار دو مرحلهای کلونینگ: مونتاژ آنزیمی و ترانسفورماسیون. (چپ) بهینهسازی تکراری مونتاژ آنزیمی در پنج مرحله (مجموعاً ۴۴ واکنش). با شروع از خط پایه مونتاژ HiFi، GPT‑5 در هر دور ۱۰-۸ نوع پروتکل مونتاژ پیشنهاد کرد؛ دادههای نتایج برتر در درخواستهای بعدی گنجانده شدند. در هر دور، واکنش برتر تا کنون (شامل دورهای قبلی) را رسم میکنیم. (راست) بهینهسازی یکباره شرایط تبدیل با آزمایش ۱۳ پروتکل مختلف. برای هر دو صفحه بهینهسازی، دادهها نشاندهنده اندازهگیریهای منفرد (n=1) برای هر شرایط است؛ اعتبارسنجی تکراری بهطور جداگانه برای نامزدهای برتر انجام شد.
با استفاده از اعلانهای استاندارد بدون دخالت انسانی، GPT5 کارایی تکثیر سرتاسری را ۷۹ برابر افزایش داد که در تکرارهای آزمایشی تأیید شد.
به طور قابل توجهی، مدل یک روش آنزیمی جدیدی را پیشنهاد کرده است که آن را مونتاژ HiFi جفت و پایان با کمک RecA (RAPF-HiFi) نامیده است و دو پروتئین جدید را به واکنش اضافه میکند: ریکومبیناز RecA از E. coli و پروتئین اتصالدهنده DNA تکرشتهای ژن 32 فاژ T4 (gp32). علاوه بر این، مدل تغییرات عمدی در دما و زمان انکوباسیون و زمانبندی افزودن آنزیمها ایجاد کرد: پیشنهاد داد که RecA و gp32 پس از یک واکنش اولیه HiFi در دمای ۵۰ درجه سانتیگراد اضافه شوند، اجازه داد این پروتئینها در دمای ۳۷ درجه سانتیگراد کار کنند و سپس به دمای ۵۰ درجه سانتیگراد بازگشت تا مونتاژ کامل شود. این تغییرات جدید به طور مشترک کارایی را بیش از ۲.۵ برابر افزایش دادند. باید توجه داشت که این نشاندهنده عملکرد اولیه بدون بهینهسازی تکراری شرایط واکنش و زمانبندی است.
در بخش تغییرات، مؤثرترین اصلاح بهطور غیرمنتظرهای ساده بود: گلولهکردن سلولها (چرخاندن آنها در سانتریفیوژ تا در پایین لوله جمع شوند)، حذف نیمی از حجم تأمینشده و معلقسازی مجدد سلولها قبل از افزودن DNA، همه در دمای ۴ درجه سانتیگراد. در حالی که سلولهای شیمیایی با کارایی بالا معمولاً به عنوان سلولهای شکننده در نظر گرفته میشوند، این سلولها غلظت را به خوبی تحمل کردند و برخوردهای مولکولی افزایش یافته به طور قابل توجهی کارایی تبدیل را افزایش دادند (بیش از ۳۰ برابر در اعتبارسنجی نهایی).
اگزونوکلئاز T5 برآمدگیهای ۳' ایجاد میکند که gp32 با سرکوب ساختار ثانویه آنها را تثبیت میکند. سپس RecA از انتهای ′۳ وارد میشود، gp32 را جابجا کرده و به جستجوی همولوژی و اتصال کمک میکند. گرم کردن تا ۵۰ درجه سانتیگراد هر دو پروتئین را حذف میکند و امکان پر کردن شکاف توسط پلیمراز و انجام اتصال را فراهم میکند.
مونتاژ گیبسون با ایجاد انتهای «چسبنده» در قطعات DNA کار میکند تا بتوانند یکدیگر را پیدا کرده و به هم متصل شوند. واکنش از دو آنزیم مختلف (یک پلیمراز و یک لیگاز) برای بستن قطعات متصل شده استفاده میکند. در RAPF-HiFi، دو پروتئین معرفی شدند تا مرحله تطبیق بهتر عمل کند. اولین پروتئین، gp32، مانند شانهای عمل میکند که انتهای شل DNA را صاف و گرهگشایی میکند. دومین، RecA، مانند یک راهنما عمل میکند که به دنبال شریک مناسب برای هر رشته میگردد و قطعات همسان را کنار هم میکشد. دمای بالاتر باعث میشود هر دو کمککننده از DNA جدا شوند و به آنزیمهای معمولی گیبسون اجازه دهد واکنش را کامل کنند.
به طور خلاصه، ما فرض میکنیم که بهبود عملکرد از طریق مکانیزم زیر میانجیگری میشود:
- Gp32 دنبالههای DNA تکرشتهای (ssDNA) غیر آنیلشده را میپوشاند و ساختار ثانویه را حذف میکند
- RecA که به طور معمول توسط ساختار مهار میشود، از انتهای '۳ وارد شده و رشته gp32 را جابجا میکند
- RecA یک جستجوی همولوژی ssDNA:ssDNA(در یک پنجره جدید باز میشود) را تسهیل میکند و باعث اتصال میشود
- بازگشت به دمای ۵۰ درجه سانتیگراد هر دو رشته recA و gp32 را جابجا میکند و به پلیمراز و لیگاز اجازه میدهد واکنش را به پایان برسانند.
برای بررسی اینکه آیا آنزیمهای جدید عملکردی دارند و برای اطمینان از اینکه بهبود عملکرد تنها ناشی از تغییرات در مراحل حرارتی یا بافرها نیست، عملکرد RAPF-HiFi را بدون RecA و همچنین بدون هر دو RecA و gp32 آزمایش کردیم. عملکرد هر دو واکنش نسبت به RAPF-HiFi کاهش یافت، که نشان میدهد هر دو پروتئین برای مکانیسم عمل RAPF-HiFi ضروری هستند.
برای آزمایش مکانیزم زیر بنایی، ما دو آنزیم جدید در واکنش را جدا میکنیم: RecA و gp32. ما نشان میدهیم که هر یک از اینها به تنهایی کارایی را نسبت به مبنای HiFi کاهش میدهد. آنها با هم، با افزایش کارایی ۲.۶ برابری، عملکردی بهتر از خط مبناء دارند. (میلههای خطا: انحراف معیار از n=3 آزمایش مستقل)
توسعه RAPF-HiFi نشان میدهد که GPT‑5 قادر به استدلال پیچیده و چند بعدی است:
- RecA توسط ساختار DNA مهار میشود(در یک پنجره جدید باز میشود)، و قابل توجه است که مدل دو تغییر همافزا را بهطور همزمان معرفی کرد: افزودن RecA و تکمیل آن با gp32 برای حذف ساختار ثانویه DNA.
- شریک طبیعی E. coli RecA، پروتئین اتصال تکرشتهای E. coli (SSB) است. SSB نقشی مشابه gp32 در تکثیر، نوترکیبی و ترمیم ژنوم ایفاء میکند. با این حال، E. coli SSB بهطور خودبهخودی به اندازه کافی سریع از DNA جدا نمیشود تا رشد فیلامنت RecA را ممکن کند، در حالی که کمپلکس RecFOR نوکلئاسیون RecA را در فیلامنت SSB درون سلول ترویج میکند(در یک پنجره جدید باز میشود). SSB بهعنوان یک تترامر پایدار با نرخهای جداشدن بسیار کند(در یک پنجره جدید باز میشود) متصل میشود. در مقابل، فیلامنت gp32 پویاتر(در یک پنجره جدید باز میشود) است و امکان جابجایی RecA را فراهم میکند.
تا جایی که ما میدانیم، RecA و gp32 به صورت عملکردی در روشهای زیستشناسی مولکولی به طور مشترک استفاده نشدهاند. همانند بسیاری از تکنیکهای جدید زیستشناسی مولکولی، فعالیتهای بیو شیمیایی پایه قبلاً مطالعه شده بودند، اما استفاده از آنها به عنوان یک روش عملی و عمومی، پیشرفت محسوب میشود.
به عنوان مثال، تعامل RecA و gp32 در آزمایشهای بازسازی مکانیکی در شرایط آزمایشگاهی مورد مطالعه قرار گرفته است: در مطالعات تشکیل حلقه D، نشان داده شد که gp32(در یک پنجره جدید باز میشود) قادر به تقویت فعالیت RecA است. Gp32 به همراه شریک طبیعی T4 ریکامبیناز UvsX و عامل بارگذاری ریکامبیناز uvsY در تقویتکننده پلیمراز ریکامبیناز (RPA(در یک پنجره جدید باز میشود)) به کار رفته است. اگرچه مشخصات ثبت اختراع RPA بیان میکند(در یک پنجره جدید باز میشود) که واکنشهای مؤثر RPA با استفاده از E. coli RecA در یک سیستم ناهمگون با پروتئین gp32 مختل شده (یعنی مهندسی شده، غیر وحشی) نشان داده شده است، این ادعا تنها به عنوان یک حاشیه در برخی افشای ثبت اختراع ظاهر میشود و به دانش ما، توسط دادههای منتشر شده پشتیبانی نشده یا به عنوان یک سیستم RPA مبتنی بر RecA قوی پذیرفته نشده است. یک روش کلونینگ به نام SLiCE(در یک پنجره جدید باز میشود) از عصاره کامل سلولی E. coli که حاوی سیستم نوترکیبی λ Red است، استفاده میکند، جایی که Red beta ممکن است به عنوان یک پروتئین اتصالدهنده به DNA و نو ترکیبکننده نقش دوگانهای ایفاء کند (هرچند ما بهطور صریح استفاده از عصارههای سلولی را در درخواست خود ممنوع کردهایم). در یک کاربرد متفاوت، Ferrin & Camerini-Otero(در یک پنجره جدید باز میشود) از RecA به تنهایی برای به دام انداختن انتخابی مولکولهای DNA بر اساس توالیهای تطبیقدهنده استفاده کردند. به طور جداگانه، gp32 به عنوان یک افزودنی(در یک پنجره جدید باز میشود) در فرآیند تقویت DNA به نام PCR برای کاهش ساختار ثانویه به کار رفته است. نشان داده شد که تقویت NABSA(در یک پنجره جدید باز میشود) توسط هر دو RecA و gp32 افزایش یافته است، اگرچه هر کدام میتوانند واکنش را به طور جداگانه تقویت کنند و هیچ همافزایی شناسایی نشد. به طور کلی، گزارشهای مربوط به بهبود واکنشهای پایهای مونتاژ DNA به سبک گیبسون کم بوده است، با قابل توجهترین مثال یک پروتئین اتصالدهنده DNA مقاوم به حرارت (ET SSB) که کارایی مونتاژ را تقریباً ۲.۵ برابر افزایش میدهد(در یک پنجره جدید باز میشود).
برای بیشتر کاربردها، انتظار نداریم RAPF-HiFi با سادگی و پایداری کلونینگ HiFi/Gibson رقابت کند. با این حال، ظهور یک مسیر مونتاژ مکانیکی متمایز قابل توجه است: GPT‑5 به راهحلی دست یافت که ترکیبی ناآشنا از پروتئینهای نوترکیب و دینامیک واکنش را در بر میگیرد. مکانیسم زیربنایی ممکن است ماژولار باشد و اجزایی را فراهم کند که بتوان آنها را در سایر جریانهای کاری مولکولی بازاستفاده یا ترکیب کرد. ما همچنین به بررسی بهبودهای RAPF-HiFi ادامه میدهیم. دمای واکنش و مدت زمان مراحل میتواند تنظیم شود تا فعالیت RecA و gp32 در برابر هضم بیش از حد اگزونوکلئاز متعادل شود، و مقادیر هر دو پروتئین هنوز باید بهینهسازی شوند. GPT‑5 همچنین یک واریانت RecA پرکار را پیشنهاد کرده است که ما در حال خالصسازی آن هستیم.
با توجه به پروتکل تبدیل، شرایط بهینهسازی موفقیتآمیز شامل طیفی از افزودنیها و تغییرات حرارتی بود که برای افزایش کارایی شوک حرارتی سلولهای تجاری 10-beta competent(در یک پنجره جدید باز میشود) طراحی شده بودند. از میان ۱۳ تغییر یکباره تولید شده توسط هوش مصنوعی که آزمایش شدند، مؤثرترین تغییر، تغییر 7 (T7) بود که سلولها را به صورت گلوله درآورد، نیمی از حجم تأمین شده را حذف کرد و سلولها را قبل از افزودن DNA در دمای ۴ درجه سانتیگراد دوباره معلق کرد. سلولهای شیمیایی با کارایی بالا معمولاً به عنوان سلولهای شکننده در نظر گرفته میشوند و به طور کلی از انجام مراحل جابجایی آنها اجتناب میشود. با این حال، سلولها غلظت را بهخوبی تحمل کردند. اثرات ترکیبی افزایش مواجهه با DNA در هر سلول و کاهش بافر مهاری که منجر به شوک حرارتی شدیدتر شد، به افزایش قابل توجهی در کارایی ترا ریختی (بیش از ۳۰ برابر) منجر شد.
این پروتکل تبدیل نوآورانه است، اگرچه یک رویکرد مشابه(در یک پنجره جدید باز میشود) که در آن سلولها در مرحلهای زودتر متمرکز میشوند، گزارش شده است. قابل توجه است که روشی که در اینجا توسط GPT‑5 توسعه یافته است، با سلولهای شیمیایی آماده موجود در بازار سازگار است و نیاز به آمادهسازی سلولهای داخلی را از بین میبرد، در حالی که از نظر افزایش کارایی گزارش شده در روش مشابه بر روی سویههای سلولی مشابه، برتری دارد.
برای افزایش توان عملیاتی این سیستم مدل آزمایشی، Robot on Rails و Red Queen Bio با هم همکاری کردند تا یک سیستم رباتیک بسازند که پروتکل کلونینگ به زبان طبیعی را دریافت کرده و آن را در آزمایشگاه تر اجراء کند.
سیستم سه مؤلفه را ترکیب میکند: ۱) یک مدل زبانی بزرگ (LLM) انسان به ربات که زبان ساده انگلیسی را به اقدامات ربات تبدیل میکند؛ ۲) یک سیستم بینایی که لوازم آزمایشگاهی را در زمان واقعی شناسایی و مکانیابی میکند؛ و ۳) یک برنامهریز مسیر رباتیک که تعیین میکند چگونه هر اقدام را بهطور ایمن و دقیق انجام دهد. نتیجه یک ربات آزمایشگاهی انعطافپذیر و عمومی است که برای انواع مختلف پروتکل کلونینگ گیبسون بهینهسازی بیشتری شده است.
ما بررسی کردیم که آیا ربات خود مختار قادر است یک آزمایش کلونینگ کامل را با اجرای همزمان دو پروتکل انجام دهد: روش استاندارد HiFi و R8، پروتکل اصلاحشده توسط هوش مصنوعی که در دور اول بهینهسازی بهترین عملکرد را داشت.
ما کار ربات را در هر مرحله با آزمایشهای انجامشده توسط انسان مقایسه کردیم. ربات با موفقیت فرآیند تبدیل را که نیازمند عملیات فیزیکی متنوعی بود، به انجام رساند: انتقال و مخلوط کردن مایعات، جابجایی لولههای نمونه، اعمال حرارت کنترلشده به سلولها و پخش سلولها بر روی صفحات رشد. وقتی به طور مستقیم با تغییرات انجامشده توسط انسان مقایسه شد، ربات دادههایی با کیفیت مشابه تولید کرد که بهبودهای معادل نسبت به خط پایه نشان داد و پتانسیل اولیه برای خودکار سازی و تسریع بهینهسازی آزمایشهای زیستی را نشان داد.
در حالی که تغییرات نسبی بین آزمایشهای ربات و انسان مشابه بودند، شمارش مطلق کلنیها از ربات به طور تقریبی ده برابر کمتر از اجرای دستی بود، که نشاندهنده نیاز به بهبود در زمینههایی مانند دقت در جابجایی مایعات، کالیبراسیون کنترل دما و تکرار ظرافتهای تکنیکهای دستی جابجایی سلولها است.
هم روش استاندارد HiFi (خط پایه) و هم روش بهبود یافته R8 توسط محققان انسانی و ربات خودکار اجرا شدند، با کاراییهای تبدیل که به کنترلهای خط پایه HiFi مربوطه نرمالسازی شدهاند (تنظیم شده به ۱.۰). اجرای انسانی R8 بهبود ۲.۳۹ برابری نشان داد؛ اجرای رباتیک R8 بهبود ۲.۱۳ برابری (۸۹٪ از عملکرد انسانی) را به دست آورد، که نشاندهنده رتبهبندی پروتکل قابل مقایسه است، با وجود بازده مطلق کمتر.
ما معتقدیم که این آزمایشها تصویری از آینده علم شتابگرفته توسط هوش مصنوعی ارائه میدهند: مدلهایی که بهطور مداوم یاد میگیرند و با دنیای واقعی تعامل میکنند. اگرچه آزمایشهای ما بدون دخالت انسانی انجام شد تا تواناییهای مدل را بهطور خالص اندازهگیری کنیم، ما بهویژه از کمک هوش مصنوعی به دانشمندان انسانی برای طراحی آزمایشها و مشارکت در پیشرفتهای پژوهشی هیجانزدهایم.
همانطور که ما برای تسریع پیشرفت علمی بهصورت ایمن و مسئولانه کار میکنیم، همچنین به دنبال ارزیابی و کاهش ریسکها، بهویژه آنهایی که به امنیت زیستی مربوط میشوند، هستیم. این نتایج ارزیابی نشان میدهند که مدلها میتوانند در آزمایشگاه مرطوب برای بهبود پروتکلها استدلال کنند و ممکن است پیامدهایی برای امنیت زیستی داشته باشند، همانطور که در چارچوب آمادگی(در یک پنجره جدید باز میشود) ما توصیف شده است. ما متعهد به ایجاد تدابیر حفاظتی ضروری و دقیق در سطح مدل و سیستم هستیم تا این ریسکها را کاهش دهیم و همچنین ارزیابیهایی برای پیگیری سطح کنونی توسعه دهیم.
