Tieteellisen kehityksen nopeuttaminen on yksi arvokkaimmista tavoista, joilla tekoäly voi hyödyttää ihmiskuntaa. GPT‑5:n avulla alamme nähdä varhaisia merkkejä tästä—ei vain auttamalla tutkijoita etenemään nopeammin tieteellisessä kirjallisuudessa, vaan myös tukemalla uudenlaisia tieteellisen päättelyn muotoja, kuten odottamattomien yhteyksien esiin tuomista, todistusstrategioiden ehdottamista tai uskottavien mekanismien esittämistä, joita asiantuntijat voivat arvioida ja testata.
Tähän mennessä edistyminen on ollut näkyvintä matematiikan, teoreettisen fysiikan ja teoreettisen tietojenkäsittelytieteen aloilla, joilla ideoita voidaan tarkistaa tarkasti ilman fyysisiä kokeita. Biologia on erilaista: useimmat edistysaskeleet riippuvat kokeellisesta toteutuksesta, iteroinnista ja empiirisestä vahvistamisesta laboratoriossa.
Ymmärtääksemme, miten eturintaman mallit käyttäytyvät näissä ympäristöissä, teimme yhteistyötä bioturvallisuutta kehittävän Red Queen Bio -startupin kanssa rakentaaksemme arviointikehyksen, jolla testataan, miten malli ehdottaa, analysoi ja kehittää ideoita märkälaboratoriossa. Loimme yksinkertaisen molekyylibiologisen kokeellisen järjestelmän ja annoimme GPT‑5:n optimoida molekyylikloonausprotokollan tehokkuuden lisäämiseksi.
Useiden kokeilukierrosten aikana GPT‑5 esitteli uuden mekanismin, joka paransi kloonaustehokkuutta 79-kertaiseksi. Kloonaus on molekyylibiologian keskeinen työkalu. Kloonausmenetelmien tehokkuus on kriittinen suurten, monimutkaisten kirjastojen luomisessa, jotka ovat keskeisiä proteiinitekniikassa(avautuu uudessa ikkunassa), geneettisissä seulonnoissa(avautuu uudessa ikkunassa) ja organismikantojen suunnittelussa(avautuu uudessa ikkunassa). Tämä projekti tarjoaa silmäyksen siihen, miten tekoäly voisi työskennellä rinnakkain biologien kanssa tutkimuksen nopeuttamiseksi. Kokeellisten menetelmien parantaminen auttaa ihmistutkijoita etenemään nopeammin, vähentämään kustannuksia ja muuttamaan löydökset käytännön vaikutuksiksi.
Koska biologisen päättelyn edistysaskeleet vaikuttavat bioturvallisuuteen, teimme tämän työn tiukasti valvotussa ympäristössä. Käytimme vaaratonta kokeellista järjestelmää ja rajoitimme tehtävän laajuutta ja arvioimme mallin käyttäytymistä, jotta saisimme tietoa bioturvallisuusriskien arvioinneista ja malli- ja järjestelmätason suojatoimien kehittämisestä, kuten Valmiusviitekehyksessämme(avautuu uudessa ikkunassa) on esitetty.
Tässä kokoonpanossa GPT‑5 päätteli itsenäisesti kloonausprotokollan, ehdotti muutoksia ja sisällytti uusista kokeista saatuja tietoja ehdotuksiin lisäparannuksista. Ainoa ihmisen tekemä toimenpide oli se, että tutkijat suorittivat muokatun protokollan ja latasivat kokeelliset tiedot.
Useiden kierrosten aikana GPT‑5 optimoi kloonausprosessin parantaakseen tehokkuutta yli 79-kertaiseksi—mikä tarkoittaa, että kiinteällä DNA-määrällä saatiin 79 kertaa enemmän sekvenssivahvistettuja klooneja kuin vertailuprotokollalla. Siinä esiteltiin erityisesti kaksi entsyymiä, jotka muodostavat uuden mekanismin: E. coli -bakteerin rekombinaasi RecA ja faagi T4-geenin 32 yksijuosteista DNA:ta sitova proteiini (gp32). Yhdessä toimiessaan gp32 tasoittaa ja selvittää irtonaiset DNA-päät, ja RecA ohjaa sitten kunkin säikeen oikeaan paikkaan.
Alustava seulonta ja toissijaiset kokeet tunnistivat RecA-Assisted Pair-and-Finish HiFi -kokoonpanon (RAPF) ja transformaatio 7:n (T7) parhaiksi entsymaattisiksi ja transformaatioprotokolliksi. Sekä RAPF-kokoonpano että T7-transformaatio paransivat itsenäisesti kloonaustehokkuutta perus HiFi-reaktiokloonausprotokollaan verrattuna 2,6-kertaisesti ja 36-kertaisesti vastaavasti; yhdessä ne paransivat suorituskykyä 79-kertaisesti. Kaikki kloonit vahvistettiin sekvensoimalla. (Virhepalkit: n=3 itsenäisen validointikokeen keskihajonta).
Vaikka tulokset ovatkin varhaisessa vaiheessa, ne ovat rohkaisevia. Parannukset koskevat erityisesti mallijärjestelmässämme käytettyjä kloonausasetuksia, ja ne vaativat edelleen ihmistutkijoita protokollien laatimiseen ja suorittamiseen. Siitä huolimatta nämä kokeet osoittavat, että tekoälyjärjestelmät voivat auttaa todellisessa laboratoriotyössä merkittävästi ja voivat nopeuttaa ihmistutkijoiden työtä tulevaisuudessa.
Huomionarvoista on, että tekoälylaboratorion silmukka suoritettiin kiinteillä kehotteilla ilman ihmisten puuttumista asiaan. Tämä rakenne auttoi paljastamaan mallin kyvyn ehdottaa aidosti uusia protokollamuutoksia ilman ihmisten ohjausta, mutta se myös lukitsi järjestelmän tutkimiseen ja rajoitti sen kykyä maksimoida uusien ideoiden suoritusta. Parempi dynaaminen tasapaino tutkimisen ja hyödyntämisen välillä todennäköisesti tuottaisi suurempia hyötyjä, sillä sekä entsymaattisissa että muuntamiseen liittyvissä parannuksissa on vielä parantamisen varaa. Odotamme, että suunnittelun ja tehtävähorisontin päättelyn edistysaskeleet parantavat yksinkertaisten kiinteiden kehotteiden kykyä tukea sekä löytämistä että sitä seuraavaa optimointia.
Gibsonin kokoonpano(avautuu uudessa ikkunassa) -reaktio on ollut ensisijainen kloonausmenetelmä sen keksimisestä vuonna 2009, ja se on otettu käyttöön laajalti molekyylibiologiassa. Gibson-kokoonpano antaa molekyylibiologeille mahdollisuuden "liimata" DNA-paloja yhteen sulattamalla niiden päät lyhyesti, jotta yhteensopivat sekvenssit voidaan yhdistää yhdeksi molekyyliksi. Yksi Gibsonin kokoonpanon suurimmista eduista on sen yksinkertaisuus: kaikki tapahtuu yhdessä putkessa ja samassa lämpötilassa. Nämä rajoitukset jättävät luonnollisesti tilaa parannuksille. Lisäksi seuraavien ominaisuuksien ansiosta se soveltuu hyvin arvioimaan tekoälymallien kykyä parantaa märkälaboratoriotekniikoita:
- Hyvin määritellyt ja kontrolloidut komponentit, toisin kuin solupohjaisessa järjestelmässä
- Selkeä optimointifunktio: muunnettavissa oleva sirkularisoitu DNA, joka on valmistettu kiinteästä määrästä lineaarisia syötteitä
- Suhteellisen nopeat kokeilujaksot (1–2 päivää)
- Korkeaulotteinen suunnittelutila, joka edellyttää mekanistista päättelyä: optimaaliset puskurit, reagenssit ja lämpötilat ovat kaikki toisistaan riippuvaisia
Käytimme optimoinnin lähtökohtana HiFi-kokoonpanoa(avautuu uudessa ikkunassa), joka on New England Biolabsin kehittämä patentoitu entsyymijärjestelmä ja perustuu Gibsonin kokoonpanoon. Tutkimme, voisiko tekoäly innovoida ja oppia kokeellisesta palautteesta, kun yksivaiheiset ja isotermiset rajoitukset poistetaan, ja siten tunnistaa protokollan parannuksia tässä skenaariossa.
Suoritimme kaksiosaisen kloonausreaktion käyttäen vihreää fluoresoivaa proteiinia (GFP) tuottavaa geeniä ja laajalti käytettyä pUC19-plasmidia, joka on yleinen "DNA-ajoneuvo", jota käytetään geenien kuljettamiseen bakteereihin niiden kopioimiseksi. Tavoitteena oli lisätä onnistuneiden pesäkkeiden määrää.
Optimoimme kloonausreaktion ottamalla käyttöön evolutiivisen kehyksen ehdotusten iterointiin, mikä mahdollistaa mallin oppimisen "verkossa" aiemmista kokeista. Jokaisella kierroksella GPT‑5 ehdotti 8–10 erilaisen reaktion erää, ja reaktiot siirrettiin myöhemmille kierroksille, jos ne vaativat erityisiä reagensseja, joita laboratoriolla ei ollut heti saatavilla. Ihmistutkijat suorittivat reaktiot ja mittasivat pesäkkeiden määrät suhteessa lähtötason HiFi Gibson -kokoonpanoon alkuperäisessä seulonnassa. Parhaiten suoriutuneet tiedot edelliseltä kierrokselta syötettiin seuraavalle kierrokselle. Tärkeää on, että kehotukset oli standardoitu ilman ihmisen panosta, selventäviä kysymyksiä lukuun ottamatta, joten voimme pitää uusia mekaanisia oivalluksia ovat suoraan tekoälyn ansiona eikä ihmisen ohjauksena.
Testasimme uudelleen kahdeksan parasta reaktiota koko optimointisarjasta käyttäen laajempaa valikoimaa DNA-laimennoksia ja huomasimme, että monilla oli pienemmät vaikutukset alkuperäiseen seulontaan verrattuna. Lopulta vahvin validoituu ehdokas oli reaktio kierrokselta 5, joka kykeni toistamaan alkuperäisen suorituskykynsä. Monet huippusuorittajat kuuluivat ligaasi-perheeseen, joka vaikuttaa olevan erityisen herkkä pienille vaihteluille kompetenttien solujen tilassa ja / tai reaktion jälkeisessä DNA:n käsittelyssä. Koska näissä reaktioissa käytettiin lyhyttä HiFi-vaihetta, oletamme, että monet tuotteet todennäköisesti päätyvät E. coli -bakteeriin siten, että vain yksi liitos on suljettu ja toinen pysyy kiinni annealoinnin avulla, jolloin solujen korjauspolut huolehtivat jatkotoimista. Tämä luo suurta vaihtelua ja "jättipotin" dynamiikkaa: vaikka useimmiten tämän reaktion muunnelmat eivät menesty, yksi vahva poikkeama voi viedä perheen seuraaville kierroksille.
Kun keskityimme kloonausreaktion optimointiin useiden kierrosten aikana sen mekaanisen monimutkaisuuden vuoksi, optimoimme samanaikaisesti transformointimenettelyn käyttämällä yhtä kertaluonteista kierrosta, jossa malli ehdotti monia itsenäisiä muutoksia, ja valitsimme niistä parhaiten toimivan reaktion.
Kaksivaiheisen kloonaustyönkulun alkuvaiheen optimointinäytöt: entsymaattinen kokoonpano ja transformaatio. (Vasemmalla) Entsymaattisen kokoonpanon iteratiivinen optimointi viidellä kierroksella (yhteensä 44 reaktiota). GPT‑5 ehdotti HiFi-kokoonpanon perustasosta alkaen 8-10 kokoonpanoprotokollavaihtoehtoa kierrosta kohden; parhaiten suoriutuneiden tulosten tiedot sisällytettiin seuraaviin kehotteisiin. Jokaisella kierroksella piirrämme tähän asti parhaiten suoriutuneen reaktion (aiemmat kierrokset mukaan lukien). (Oikealla) Kertaluonteinen muunnosolosuhteiden optimointi, jossa testataan 13 eri protokollaa. Molemmissa optimointinäytöissä tiedot edustavat yksittäisiä mittauksia (n=1) per olosuhde; toistettu validointi tehtiin erikseen parhaiden ehdokkaiden kohdalla.
Käyttämällä standardoituja kehotteita ilman ihmisen panosta GPT5 paransi kloonaustehokkuutta 79-kertaiseksi, mikä vahvistettiin kokeellisissa toistoissa.
Merkillepantavaa on, että malli ehdotti uutta entsymaattista menetelmää, jota se kutsui nimellä RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF-HiFi), ja jossa reaktioon lisätään kaksi uutta proteiinia: rekombinaasi RecA E. coli-bakteerista ja faagi T4 geenin 32 yksijuosteinen DNA:han sitoutuva proteiini (gp32). Lisäksi malli teki harkittuja muutoksia inkubointilämpötilaan ja -aikaan sekä entsymaattisten lisäysten ajoitukseen: se ehdotti RecA:n ja gp32:n lisäämistä 50 °C:n HiFi-reaktion jälkeen, antaen proteiinien toimia 37 °C:ssa, ja palata sitten takaisin 50 °C:een kokoonpanon loppuun saattamiseksi. Yhdessä nämä uudet muutokset paransivat tehokkuutta yli 2,5-kertaisesti. On syytä huomata, että tämä edustaa alkuperäistä suorituskykyä ilman reaktio-olosuhteiden ja ajoituksen iteratiivista optimointia.
Transformaatiopuolella tehokkain muutos osoittautui yllättävän yksinkertaiseksi: solujen pelletointi (pyörittäminen sentrifugissa niin, että ne kerääntyvät putken pohjalle), mikä puolitti tilavuuden ja solujen uudelleensuspendoiminen ennen DNA:n lisäämistä, kaikki 4 °C:n lämpötilassa. Vaikka kemiallisesti päteviä soluja pidetään yleensä herkkinä, solut sietivät konsentraatiota hyvin ja lisääntyneet molekyylitörmäykset paransivat transformaatiotehokkuutta merkittävästi (yli 30-kertaisesti lopullisessa validoinnissa).
T5-eksonukleaasi luo 3′-yksisäikeistä päätä, joita gp32 stabiloi estämällä sekundaarirakenteen muodostumista. RecA tunkeutuu sitten 3′ päästä, syrjäyttää gp32:n ja edistää homologian etsintää ja liittämistä. Kuumentaminen 50 °C:seen poistaa molemmat proteiinit, mikä mahdollistaa polymeraasin aukon täytön ja ligaation.
Gibson-kokoonpano toimii antamalla DNA:n kappaleille yhteensopivat "tahmeat" päät, jotta ne voivat löytää toisensa ja liittyä yhteen. Reaktio käyttää kahta erilaista entsyymiä (polymeraasi ja ligaasi) yhdistettyjen osien sinetöimiseen. RAPF-HiFi-järjestelmässä otettiin käyttöön kaksi proteiinia, jotta sovitusvaihe toimisi paremmin. Ensimmäinen, gp32, toimii kuin kampa, joka tasoittaa ja selvittää irtonaiset DNA-päät. Toinen, RecA, toimii kuin opas, joka etsii kullekin säikeelle sopivan kumppanin ja vetää osat yhteen. Korkeampi lämpötila saa molemmat avustajat irtoamaan DNA:sta, jolloin normaalit Gibson-entsyymit voivat saattaa reaktion loppuun.
Yhteenvetona oletamme, että suorituskyvyn paraneminen johtuu seuraavasta mekanismista:
- Gp32 peittää ei-annealoidut yksijuosteisen DNA:n (ssDNA) päät ja poistaa sekundaarirakenteen
- RecA, jota rakenne normaalisti estää, tunkeutuu 3. osasta ja syrjäyttää gp32-filamentin
- RecA välittää ssDNA:ssDNA-homologisuushaun(avautuu uudessa ikkunassa) ohjaten liittämistä
- Paluu 50 °C:seen syrjäyttää sekä recA- että gp32-filamentit, mikä mahdollistaa polymeraasin ja ligaasin reaktion loppuunsaattamisen.
Testataksemme, olivatko uudet entsyymit toiminnallisia ja sulkeaksemme pois mahdollisuuden, että suorituskyvyn parannus johtuu pelkästään lämpövaiheiden tai puskurien muutoksista, testasimme RAPF-HiFi:n suorituskykyä ilman RecA:ta ja ilman sekä RecA:ta että gp32:ta. Molempien reaktioiden suorituskyky heikkeni suhteessa RAPF-HiFi:iin, mikä viittaa siihen, että molemmat proteiinit ovat välttämättömiä RAPF-HiFi:n toimintamekanismille.
Jotta voimme testata taustalla olevaa mekanismia, erottelemme reaktiossa kaksi uutta entsyymiä: RecA ja gp32. Näytämme, että kumpikin näistä yksinään vähentää tehokkuutta suhteessa HiFi-perustasoon. Yhdessä ne ylittävät perustason 2,6-kertaisella tehokkuudella. (Virhepalkit: n=3 riippumattomien kokeiden keskihajonta)
RAPF-HiFi-kehitys viittaa siihen, että GPT‑5 kykenee monimutkaiseen, moniulotteiseen päättelyyn:
- DNA:n rakenne estää RecA:n toimintaa(avautuu uudessa ikkunassa), ja on huomionarvoista, että malli esitteli kerralla kaksi synergististä muutosta: lisättiin RecA ja täydennettiin sitä gp32:lla DNA:n toissijaisen rakenteen poistamiseksi.
- E. coli RecA:n luonnollinen kumppani on E. coli yksijuosteinen sitoutumisproteiini (SSB). SSB:llä on samanlainen rooli kuin gp32:lla genomin replikaatiossa, rekombinaatiossa ja korjauksessa. E. coli SSB ei kuitenkaan irtoa DNA:sta itsestään tarpeeksi nopeasti RecA-filamentin kasvua varten, ja RecFOR-kompleksi edistää RecA:n nukleaatiota SSB-filamentilla in vivo(avautuu uudessa ikkunassa). SSB sitoutuu vakaana tetramerinä äärimmäisen hitailla irtoamisnopeuksilla(avautuu uudessa ikkunassa). Sen sijaan gp32-filamentti on dynaamisempi(avautuu uudessa ikkunassa), mikä mahdollistaa RecA:n syrjäyttämisen.
Tietojemme mukaan RecA:ta ja gp32:ta ei ole käytetty molekyylibiologisissa menetelmissä toiminnallisesti yhdessä. Kuten monissa uusissa molekyylibiologian tekniikoissa, taustalla olevia biokemiallisia toimintoja oli jo tutkittu, mutta niiden käyttö käytännöllisenä ja yleistettävänä menetelmänä on edistysaskel.
Esimerkiksi RecA:n ja gp32:n vuorovaikutusta on tutkittu mekanistisissa in vitro -rekonstituutioanalyyseissä: D-silmukan muodostumista koskevissa tutkimuksissa gp32:n on osoitettu(avautuu uudessa ikkunassa) voivan tehostaa RecA:n aktiivisuutta. Gp32:ta on käytetty yhdessä sen luonnollisen T4-rekombinaasikumppanin UvsX:n ja rekombinaasin lataustekijän uvsY:n kanssa rekombinaasipolymeraasivahvistuksessa (RPA)(avautuu uudessa ikkunassa). Vaikka eräässä RPA-patenttijulkaisussa todetaan(avautuu uudessa ikkunassa), että tehokkaita RPA-reaktioita on osoitettu käyttämällä E. coli RecA:ta heterologisessa järjestelmässä, jossa on vaurioitunut (eli muokattu, ei-villityyppinen) gp32-proteiini, tämä väite esiintyy vain sivuhuomautuksena joissakin patenttijulkaisuissa, eikä sitä tietojemme mukaan ole tuettu julkaistuilla tiedoilla eikä sitä ole hyväksytty vankaksi RecA-pohjaiseksi RPA-järjestelmäksi. Yksi kloonausmenetelmä, nimeltään SLiCE(avautuu uudessa ikkunassa), käyttää E. coli:sta peräisin olevaa koko solun uutetta, joka sisältää λ Red -rekombinaatiojärjestelmän, jossa Red beta -proteiinilla voi olla kaksoisrooli sekä DNA:ta sitovana proteiinina että rekombinaasina (vaikka kielsimme nimenomaisesti solu-uutteiden käytön kehotuksessamme). Toisessa sovelluksessa Ferrin & Camerini-Otero(avautuu uudessa ikkunassa) käytti pelkästään RecA:ta valikoivasti sieppaamaan DNA-molekyylejä vastaavien sekvenssien perusteella. Erikseen gp32:ta on käytetty lisäaineena(avautuu uudessa ikkunassa) DNA:n monistusprosessissa, jota kutsutaan PCR:ksi, sekundaarirakenteen vähentämiseksi. On osoitettu, että NABSA:n monistumista(avautuu uudessa ikkunassa) tehostavat sekä RecA että gp32, vaikka kumpikin voi tehostaa reaktiota erikseen eikä synergiaa havaittu. Laajemmin tarkasteltuna raportoidut parannukset perinteisiin Gibson-tyylisiin DNA-kokoonpanoreaktioihin ovat olleet harvinaisia, ja merkittävin esimerkki on lämpövakaata DNA:ta sitova proteiini (ET SSB), joka parantaa kokoonpanon tehokkuutta noin 2,5-kertaiseksi(avautuu uudessa ikkunassa).
Useimmissa sovelluksissa emme odota, että RAPF-HiFi pystyy kilpailemaan HiFi/Gibson-kloonauksen yksinkertaisuuden ja luotettavuuden kanssa. Mekanistisesti erillisen kokoonpanopolun syntyminen on kuitenkin huomionarvoista: GPT‑5 löysi ratkaisun, joka sisältää tuntemattoman yhdistelmän rekombinaatioproteiineja ja reaktiodynamiikkaa. Taustalla oleva mekanismi voi osoittautua modulaariseksi ja tarjota komponentteja, joita voi käyttää uudelleen tai yhdistellä muihin molekulaarisiin työnkulkuihin. Jatkamme myös RAPF-HiFi:n parannusten tutkimista. Reaktiolämpötiloja ja vaiheiden kestoa voidaan säätää tasapainottamaan RecA:n ja gp32:n aktiivisuutta eksonukleaasin liiallista hajotusta vastaan, ja molempien proteiinien määrät on vielä optimoitava. GPT‑5 on myös ehdottanut hyperaktiivista RecA-varianttia, jota olemme puhdistamme parhaillamme.
Transformaatioprotokollan osalta onnistuneet optimointiolosuhteet kattoivat joukon lisäaineita ja lämpötilahäiriöitä, joiden tarkoituksena oli parantaa kaupallisten 10-beeta kompetenttien solujen(avautuu uudessa ikkunassa) lämpöshokkitehokkuutta. Testatuista 13:sta tekoälyn tuottamasta kertatransformaatiosta tehokkain, transformaatio 7 (T7), pelletöi solut, poisti puolet annetusta tilavuudesta ja suspendoi solut uudelleen ennen DNA:n lisäämistä, kaikki 4 °C:n lämpötilassa. Korkean tehokkuuden kemiallisesti päteviä soluja pidetään yleisesti herkkinä, ja tällaisia käsittelyvaiheita vältetään yleensä. Tästä huolimatta solut sietivät pitoisuutta hyvin. Yhdistetyt vaikutukset, jotka johtuvat lisääntyneestä DNA-altistuksesta solua kohden ja vähäisemmästä estopuskurista, johtivat terävämpään lämpöshokkiin, mikä tuotti huomattavan (> 30-kertaisen) kasvun transformaatiotehokkuudessa.
Tämä muutosprotokolla on uusi, vaikkakin käsitteellisesti samankaltainen lähestymistapa(avautuu uudessa ikkunassa), jossa solut konsentroidaan varhaisemmassa vaiheessa, on raportoitu. Huomionarvoista on, että GPT‑5:n kehittämä menetelmä on yhteensopiva valmiiden kemiallisesti pätevien solujen kanssa, jolloin sisäistä solujen valmistusta ei tarvita, ja se ylittää samalla vastaavan lähestymistavan raportoidut tehokkuuden parannukset vastaavilla solukannoilla.
Lisätäkseen tämän mallikokeellisen järjestelmän suoritustehoa, Robot on Rails ja Red Queen Bio tekivät yhteistyötä rakentaakseen robottijärjestelmän, joka ottaa vastaan luonnollisen kielen kloonausprotokollan ja suorittaa sen märkälaboratoriossa.
Järjestelmässä on kolme komponenttia: 1) ihmisen ja robotin välinen LLM, joka muuntaa englannin kielen robotin toiminnoiksi; 2) näköjärjestelmä, joka tunnistaa ja paikantaa laboratoriovälineet reaaliajassa; ja 3) robottipolun suunnittelija, joka määrittää, miten kukin toiminto suoritetaan turvallisesti ja tarkasti. Tuloksena on joustava, yleistetty laboratoriorobotti, joka on optimoitu Gibsonin kloonausprotokollan muunnelmia varten.
Testasimme, pystyykö autonominen robotti suorittamaan täydellisen kloonauskokeen ajamalla kahta protokollaa samanaikaisesti: standardi HiFi-menetelmä ja R8, ensimmäisen optimointikierroksen parhaiten suoriutunut tekoälyllä muokattu protokolla.
Vertasimme robotin työtä ihmisten tekemiin kokeisiin kussakin vaiheessa. Robotti hoiti menestyksekkäästi transformaatioprosessin, joka vaati monenlaisia fyysisiä toimintoja: nesteiden siirtämistä ja sekoittamista, näyteputkien siirtämistä, solujen hallittua lämmittämistä ja solujen levittämistä kasvulevyille. Kun tätä verrataan suoraan ihmisten tekemiin transformaatioihin, robotti loi samantasoista laatudataa, joka paransi lähtötasoa vastaavalla tavalla, mikä osoittaa, että biologisten kokeiden optimointia voidaan automatisoida ja nopeuttaa jo varhaisessa vaiheessa.
Vaikka robotin ja ihmiskokeiden väliset taitoskertoimet olivat samanlaisia, robotin absoluuttiset pesäkeluvut olivat noin kymmenen kertaa pienemmät kuin manuaalisessa suorituksessa. Tämä osoittaa parannusalueita, kuten nestekäsittelyn tarkkuus, lämpötilan säätökalibrointi ja manuaalisten solunkäsittelytekniikoiden vivahteiden toistaminen.
Ihmistutkijat ja autonominen robotti suorittivat sekä tavanomaisen HiFi-menetelmän (perustaso) että parannetun R8-menetelmän, ja muunnostehokkuudet normalisoitiin vastaaviin HiFi-perustason vertailuihin (asetettu arvoon 1,0). Ihmisen suorittama R8 paransi tulosta 2,39-kertaisesti; robotin suorittama R8 saavutti 2,13-kertaisen parannuksen (89 % ihmisen suorituskyvystä), mikä osoittaa, että protokollan sijoitus on vertailukelpoinen huolimatta alhaisemmasta absoluuttisesta tuotoksesta.
Uskomme, että nämä kokeet tarjoavat tilannekuvan siitä, miltä tulevaisuuden tekoälyn kiihdyttämä tiede näyttää: mallit oppivat jatkuvasti ja ovat vuorovaikutuksessa reaalimaailman kanssa. Vaikka kokeiluissamme ei otettu huomioon ihmisen puuttumista mallin kykyjen mittaamiseen, olemme erityisen innoissamme siitä, että tekoäly auttaa ihmistutkijoita suunnittelemaan kokeita ja edistämään tutkimusläpimurtoja.
Kun työskentelemme nopeuttaaksemme tieteellistä edistystä turvallisesti ja vastuullisesti, pyrimme myös arvioimaan ja vähentämään riskejä, erityisesti bioturvallisuuteen liittyviä. Nämä arviointitulokset osoittavat, että mallit voivat tehdä päätelmiä märkälaboratoriossa parantaakseen protokollia, ja niillä voi olla vaikutuksia bioturvallisuuteen, kuten Valmiusviitekehyksessämme(avautuu uudessa ikkunassa) on kuvattu. Olemme sitoutuneet rakentamaan tarvittavia ja hienovaraisia suojatoimia malli- ja järjestelmätasolla riskien vähentämiseksi sekä kehittämään arviointeja nykyisten tasojen seuraamiseksi.
