Évaluer la capacité de l’IA à accélérer la recherche biologique expérimentale

L’accélération des progrès scientifiques compte parmi les contributions les plus précieuses de l’IA à l’humanité. Avec GPT‑5, nous commençons à voir les premiers signes⁠ de cette innovation, non seulement en aidant les chercheurs à avancer plus rapidement dans la littérature scientifique, mais aussi en soutenant de nouvelles formes de raisonnement scientifique, par exemple en faisant émerger des connexions inattendues, la proposition de stratégies de preuve ou la suggestion de mécanismes plausibles que les experts peuvent évaluer et tester.

Les progrès réalisés jusqu’à présent ont été les plus visibles dans des domaines tels que les mathématiques, la physique théorique et l’informatique théorique, pour lesquels les idées peuvent être rigoureusement vérifiées sans avoir recours à des expériences physiques. La biologie est différente : la plupart des avancées reposent sur l’exécution expérimentale, l’itération et la validation empirique en laboratoire.

Pour aider à comprendre comment les modèles de pointe se comportent dans ces contextes, nous avons collaboré avec Red Queen Bio, une start-up de biosécurité, pour élaborer un cadre d’évaluation qui teste comment un modèle propose, analyse et itère des idées en laboratoire expérimental. Nous avons mis en place un système expérimental simple en biologie moléculaire et avons demandé à GPT‑5 d’optimiser un protocole de clonage moléculaire pour en améliorer l’efficacité.

Au cours de plusieurs séries d’expérimentations, GPT‑5 a introduit un mécanisme novateur qui a multiplié par 79 l’efficacité du clonage. Le clonage est un outil fondamental en biologie moléculaire. L’efficacité des méthodes de clonage est cruciale pour créer de grandes bibliothèques complexes, essentielles à l’ingénierie des protéines⁠(s'ouvre dans une nouvelle fenêtre), aux cribles génétiques⁠(s'ouvre dans une nouvelle fenêtre) et à l’ingénierie des souches d’organismes⁠(s'ouvre dans une nouvelle fenêtre). Ce projet offre un aperçu de la façon dont l’IA pourrait collaborer avec les biologistes pour accélérer la recherche. L’amélioration des méthodes expérimentales aidera les chercheurs humains à progresser plus vite, à réduire les coûts et à transformer les découvertes en retombées concrètes.

Étant donné que les avancées en raisonnement biologique ont des implications pour la biosécurité, nous avons mené ce travail dans un environnement strictement contrôlé, en utilisant un système expérimental sans danger, en limitant la portée de la tâche et en évaluant le comportement du modèle pour éclairer nos évaluations des risques de biosécurité et le développement de mesures de protection au niveau du modèle et du système, comme décrit dans notre cadre de préparation⁠(s'ouvre dans une nouvelle fenêtre).

Dans cette configuration, GPT‑5 a effectué un raisonnement complet sur le protocole de clonage, proposé des modifications et intégré des données de nouvelles expériences pour suggérer d’autres améliorations. La seule intervention humaine a consisté à ce que des scientifiques appliquent le protocole modifié et chargent les données expérimentales.

Au cours de plusieurs cycles, GPT‑5 a optimisé la procédure de clonage pour multiplier l’efficacité de plus de 79 fois, ce qui signifie que pour une quantité fixe d’ADN d’entrée, nous avons récupéré 79 fois plus de clones vérifiés par séquence que le protocole de référence. Plus particulièrement, il a introduit deux enzymes qui constituent un mécanisme inédit : la recombinase RecA de E. coli, et la protéine de liaison à l’ADN simple brin du gène 32 du phage T4 (gp32). Travaillant en tandem, gp32 lisse et démêle les extrémités lâches de l’ADN, puis RecA guide chaque brin vers sa correspondance correcte.

Bien que précoces, ces résultats sont encourageants. Les améliorations sont spécifiques à notre configuration de clonage particulière utilisée dans notre système modèle et nécessitent encore que des scientifiques humains mettent en place et exécutent les protocoles. Néanmoins, ces expériences démontrent que les systèmes d’IA peuvent contribuer de manière significative aux travaux de laboratoire et pourraient, à terme, accélérer les recherches menées par les scientifiques.

Il est à noter que la boucle du laboratoire d’IA a été exécutée avec un prompt fixe et sans intervention humaine. Cette structuration a permis de mettre en évidence la capacité du modèle à proposer des changements de protocole véritablement novateurs sans orientation humaine. En revanche, elle a également limité le système à une phase d’exploration, ce qui a restreint sa capacité à maximiser les performances des idées nouvellement découvertes. Un meilleur équilibre dynamique entre l’exploration et l’exploitation pourrait probablement générer des gains plus importants, car les améliorations enzymatiques et de transformation ont une marge substantielle de progression. Nous nous attendons à ce que les progrès en matière de planification et de raisonnement sur des horizons de tâches plus longs améliorent la capacité des instructions fixes simples à soutenir à la fois la découverte et l’optimisation ultérieure.

La réaction de Gibson assembly⁠(s'ouvre dans une nouvelle fenêtre) est une méthode majeure depuis son invention en 2009 et elle est aujourd’hui largement utilisée en biologie moléculaire. L’assemblage Gibson permet aux biologistes moléculaires de « coller » des fragments d’ADN en faisant brièvement fondre leurs extrémités, permettant aux séquences correspondantes d’être scellées en une seule molécule. L’un des principaux attraits de l’assemblage Gibson est sa simplicité : tout se déroule dans un seul tube à une température unique. Ces contraintes laissent naturellement place à des améliorations. De plus, les propriétés suivantes le rendent particulièrement adapté à l’évaluation des capacités des modèles d’IA à améliorer les techniques de laboratoire expérimental :

• Bien défini avec des composants contrôlés, contrairement à un système reposant sur des cellules
• Possède une fonction d’optimisation claire : ADN circulaire transformable fabriqué à partir d’une quantité fixe d’entrée d’ADN linéaire
• Cycles expérimentaux relativement rapides (de 1 à 2 jours)
• Un espace de conception très vaste, dont l’amélioration nécessite un raisonnement mécanistique : les tampons, les réactifs et les températures optimaux sont tous interdépendants.

Nous avons utilisé HiFi assembly⁠(s'ouvre dans une nouvelle fenêtre), un système enzymatique propriétaire développé par New England Biolabs et basé sur l’assemblage Gibson, comme point de départ pour l’optimisation. Nous avons exploré si l’IA pouvait innover et apprendre des résultats expérimentaux une fois les contraintes de l’étape unique et isotherme levées, et ainsi identifier des améliorations de protocole liées au contexte.

Plus précisément, nous avons effectué une réaction de clonage en deux fragments en utilisant un gène pour la protéine fluorescente verte (GFP) et le plasmide pUC19, un « vecteur » standard d’ADN largement utilisé pour transporter des gènes dans des bactéries afin qu’ils puissent être copiés. L’objectif était d’accroître le nombre de colonies viables.

Nous avons optimisé la réaction de clonage en introduisant un cadre évolutif pour itérer sur les propositions, permettant ainsi au modèle d’apprendre « en ligne » de ses expériences passées. À chaque cycle, GPT‑5 proposait un ensemble de 8 à 10 réactions différentes; les réactions étaient reportées à des cycles ultérieurs si elles nécessitaient des réactifs personnalisés que le laboratoire n’avait pas immédiatement à disposition. Les scientifiques ont ensuite mené les réactions et quantifié le nombre de colonies par rapport à l’assemblage de référence HiFi Gibson obtenu lors d’un criblage initial. Les meilleures données de performance du cycle précédent ont ensuite été intégrées dans le cycle suivant. Il est important de noter que le prompt a été standardisé sans intervention humaine, à l’exception des questions de clarification, ce qui nous permet d’attribuer directement à l’IA de nouveaux éclairages mécanistiques plutôt qu’à une orientation humaine. 

Nous avons testé de nouveau les huit principales réactions de la série complète d’optimisation en utilisant une gamme plus large de dilutions d’ADN et avons constaté que beaucoup montraient des effets plus minimes que lors du criblage initial; en définitive, le candidat qualifié de plus performant était une réaction du cinquième cycle reproduisant ses performances initiales. De nombreux éléments à haute performance appartenaient à la famille ligase-polish, qui semble particulièrement sensible aux petites variations de l’état des cellules compétentes et/ou à la manipulation de l’ADN après réaction. Étant donné que ces réactions utilisaient une étape HiFi courte, nous émettons l’hypothèse que de nombreux produits pénètrent probablement dans E. coli avec une seule jonction scellée, l’autre étant maintenue par appariement, laissant les mécanismes de réparation cellulaires assurer la réparation en aval. Cela engendre une forte variance et une dynamique de type « jackpot » : même si, la plupart du temps, les répétitions successives de cette réaction ne surpassent pas les performances de référence, un seul résultat exceptionnel peut suffire à faire progresser toute la famille lors des cycles suivants.

Alors que nous nous concentrions sur l’optimisation de la réaction de clonage au fil des cycles en raison de sa complexité mécanistique, nous avons parallèlement optimisé la procédure de transformation en utilisant un seul cycle « en une seule étape » lors duquel le modèle a proposé de nombreux changements indépendants, et nous avons retenu la réaction la plus performante.

En utilisant des prompts standardisés sans intervention humaine, GPT‑5 a multiplié l’efficacité du clonage de bout en bout par 79, conclusion confirmée à travers des réplicats expérimentaux.

Le modèle a notamment proposé une nouvelle procédure enzymatique, qu’il a nommée RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF-HiFi), ajoutant deux nouvelles protéines à la réaction : la recombinase RecA de E. coli et la protéine de liaison à l’ADN simple brin du gène 32 du phage T4 (gp32). De plus, le modèle a effectué des ajustements intentionnels de la température et du temps d’incubation, ainsi que du moment des ajouts enzymatiques : il a proposé d’ajouter RecA et gp32 après une réaction HiFi initiale à 50 °C, de laisser ces protéines agir à 37 °C, puis de revenir à 50 °C pour compléter l’assemblage. Ensemble, ces nouvelles modifications ont augmenté l’efficacité de plus de 2,5 fois. À noter que cela représente les performances initiales sans optimisation itérative des conditions de réaction et du temps.

Concernant la transformation, la modification la plus efficace s’est avérée étonnamment simple : culotter les cellules (les centrifuger afin qu’elles se déposent au fond du tube), retirer la moitié du volume fourni, puis remettre les cellules en suspension avant l’ajout de l’ADN, le tout à 4 °C. Bien que les cellules chimiquement compétentes à haute efficacité soient généralement considérées comme fragiles, elles ont bien toléré la concentration, et l’augmentation des interactions moléculaires a considérablement augmenté l’efficacité de la transformation (plus de 30 fois lors de la validation finale). 

L’assemblage Gibson repose sur la génération d’extrémités simple brin complémentaires à extrémités « collantes » sur des fragments d’ADN, permettant leur reconnaissance et leur appariement. La réaction met en jeu deux enzymes principales (une ADN polymérase et une ADN ligase) qui assurent respectivement l’extension et la ligation des fragments assemblés. Dans le protocole RAPF-HiFi, deux protéines additionnelles ont été introduites afin d’optimiser l’étape d’appariement. La première, la protéine gp32, agit comme une protéine de liaison à l’ADN simple brin, stabilisant et éliminant les enchevêtrements des extrémités libres. La protéine RecA quant à elle agit comme un guide de recherche d’homologie et facilite l’appariement correct des brins en rapprochant les fragments homologues. Une élévation de la température entraîne ensuite la dissociation de ces protéines auxiliaires de l’ADN, permettant aux enzymes Gibson conventionnelles de mener à terme la réaction.

En résumé, nous supposons que l’amélioration des performances est facilitée par le mécanisme suivant :

• Gp32 se lie aux queues d’ADN simple brin (ssDNA) non appariées, supprimant les structures secondaires.
• RecA, normalement inhibée par la présence de structures secondaires, initie l’invasion à partir de l’extrémité 3′ et déplace le filament de gp32.
• RecA facilite une recherche d'homologie ssADN-ssADN⁠(s'ouvre dans une nouvelle fenêtre), favorisant l'appariement
• Un retour à 50 °C provoque le déplacement des filaments de RecA et de gp32, permettant à la polymérase et à la ligase d’achever la réaction.

Afin de confirmer que les nouvelles enzymes étaient fonctionnelles et d’exclure que l’amélioration des performances soit uniquement due à des modifications des étapes thermiques ou des tampons, nous avons évalué les performances de RAPF-HiFi en l’absence de RecA, puis en l’absence conjointe de RecA et de gp32. Les performances de ces deux réactions étaient inférieures à celles de RAPF-HiFi, ce qui suggère que les deux protéines sont nécessaires au mécanisme d’action de RAPF-HiFi.

Le développement de RAPF-HiFi suggère que GPT‑5 est capable d’un raisonnement complexe à plusieurs dimensions :

• RecA est inhibée par la structure de l’ADN⁠(s'ouvre dans une nouvelle fenêtre), et il est à noter que le modèle ait introduit simultanément deux modifications synergiques : l’ajout de RecA, complété par gp32 afin d’éliminer les structures secondaires de l’ADN.
• Le partenaire naturel de E. coli RecA est la protéine de liaison à l’ADN simple brin (SSB) de E. coli. SSB joue un rôle similaire à gp32 dans la réplication, la recombinaison et la réparation du génome. Cependant, la protéine SSB d’E. coli ne se dissocie pas spontanément de l’ADN suffisamment rapidement pour permettre la croissance du filament de RecA, le complexe RecFOR favorisant la nucléation de RecA au niveau du filament de SSB in vivo⁠(s'ouvre dans une nouvelle fenêtre). SSB se lie sous forme de tétramère stable, avec des vitesses de dissociation extrêmement lentes⁠(s'ouvre dans une nouvelle fenêtre). En revanche, le filament gp32 est plus dynamique⁠(s'ouvre dans une nouvelle fenêtre), ce qui permet le déplacement de RecA. 

À notre connaissance, RecA et gp32 n’ont pas été utilisés conjointement de manière opérationnelle dans des méthodes de biologie moléculaire. Comme pour de nombreuses techniques nouvelles en biologie moléculaire, les activités biochimiques sous-jacentes avaient déjà été étudiées, mais c’est leur mise en œuvre en tant que méthode pratique et généralisable qui constitue l’avancée.

Par exemple, l’interaction entre RecA et gp32 a été étudiée dans des essais mécanistiques de reconstitution in vitro : dans des études portant sur la formation de boucles D, il a été montré que gp32⁠(s'ouvre dans une nouvelle fenêtre) est capable d’amplifier l’activité de RecA. Gp32 a été utilisé en association avec son partenaire recombinase naturel de T4, UvsX, ainsi qu’avec le facteur de chargement de la recombinase uvsY, dans la réaction d’amplification par recombinase polymérase (RPA)⁠(s'ouvre dans une nouvelle fenêtre). Bien qu’une spécification de brevet sur la RPA indique⁠(s'ouvre dans une nouvelle fenêtre) que des réactions de RPA efficaces ont été démontrées en utilisant RecA d’E. coli dans un système hétérologue associé à une protéine gp32 altérée (c’est-à-dire modifiée par ingénierie, non de type sauvage), cette affirmation n’apparaît que de manière marginale dans certaines divulgations de brevets et, à notre connaissance, n’a pas été appuyée par des données publiées ni adoptée comme un système de RPA robuste basé sur RecA. Une méthode de clonage appelée SLiCE⁠(s'ouvre dans une nouvelle fenêtre) utilise un extrait cellulaire total d’E. coli contenant le système de recombinaison λ Red, dans lequel Red beta pourrait assurer un double rôle, à la fois comme protéine de liaison à l’ADN et comme recombinase (l’utilisation d’extraits cellulaires étant explicitement exclue). Dans une autre application, Ferrin et Camerini-Otero⁠(s'ouvre dans une nouvelle fenêtre) ont utilisé RecA seul pour capturer sélectivement des molécules d’ADN en fonction de la complémentarité des séquences. Par ailleurs, gp32 a été utilisé comme additif⁠(s'ouvre dans une nouvelle fenêtre) dans la PCR pour réduire la formation de structures secondaires. Il a été montré que l’amplification NABSA⁠(s'ouvre dans une nouvelle fenêtre) est améliorée par RecA et par gp32, bien que chacune de ces protéines puisse accroître la réaction indépendamment et qu’aucune synergie n’ait été identifiée. Plus généralement, les améliorations rapportées des réactions d’assemblage d’ADN de type Gibson restent rares, l’exemple le plus notable étant l’utilisation d’une protéine de liaison à l’ADN thermostable (ET SSB) qui augmente l’efficacité de l’assemblage d’environ 2,5 fois⁠(s'ouvre dans une nouvelle fenêtre).

Pour la plupart des applications, nous ne nous attendons pas à ce que RAPF-HiFi rivalise avec la simplicité et la robustesse du clonage HiFi/Gibson. Néanmoins, l’émergence d’une voie d’assemblage mécanistiquement distincte est remarquable : GPT‑5 a abouti à une solution intégrant une combinaison inédite de protéines de recombinaison et de dynamiques réactionnelles. Le mécanisme sous-jacent pourrait s’avérer modulaire, en fournissant des composants susceptibles d’être réutilisés ou recombinés dans d’autres processus moléculaires. Nous poursuivons également l’exploration d’améliorations potentielles de RAPF-HiFi. Les températures de réaction et la durée des étapes peuvent être ajustées afin d’équilibrer l’activité de RecA et de gp32 avec le risque de surdigestion par l’exonucléase, et les quantités des deux protéines restent à optimiser. GPT‑5 a également proposé un variant hyperactif de RecA, que nous sommes actuellement en train de purifier.

Concernant le protocole de transformation, les conditions d’optimisation ayant conduit au succès couvraient un ensemble d’additifs et de perturbations thermiques visant à améliorer l’efficacité du choc thermique des cellules compétentes commerciales 10-beta⁠(s'ouvre dans une nouvelle fenêtre). Parmi les 13 transformations en une seule étape générées par l’IA et testées, la modification la plus efficace, la transformation 7 (T7), consistait à culotter les cellules, à retirer environ la moitié du volume initial, puis à les remettre en suspension avant l’ajout de l’ADN, l’ensemble étant réalisé à 4 °C. Les cellules chimiquement compétentes à haute efficacité sont généralement considérées comme fragiles, et ce type de manipulations est généralement évité. Néanmoins, les cellules ont bien toléré la concentration. Les effets combinés d’une exposition accrue de l’ADN à chaque cellule et d’un tampon moins inhibiteur, conduisant à un choc thermique plus marqué, ont entraîné une augmentation substantielle de l’efficacité de transformation (> ×30).

Ce protocole de transformation est nouveau, bien qu’une approche conceptuellement similaire⁠(s'ouvre dans une nouvelle fenêtre), dans laquelle les cellules sont concentrées à une étape plus précoce, ait déjà été décrite. Il convient de souligner que la méthode développée ici par GPT‑5 est compatible avec des cellules chimiquement compétentes du commerce, éliminant ainsi la nécessité d’une préparation cellulaire en interne, tout en dépassant les gains d’efficacité rapportés pour l’approche similaire sur des souches cellulaires comparables.

Afin d’augmenter le débit de ce système expérimental modèle, Robot on Rails et Red Queen Bio ont collaboré pour développer un système robotisé capable de recevoir un protocole de clonage en langage naturel et de l’exécuter en laboratoire humide.

Le système combine trois composants : (1) un LLM d’interface humain-robot basée sur un LLM qui convertit le langage naturel en actions robotiques; (2) un système de vision capable d’identifier et de localiser le matériel de laboratoire en temps réel; et (3) un planificateur de trajectoires robotiques qui détermine comment exécuter chaque action de manière sûre et précise. Il en résulte un robot de laboratoire flexible et générique, qui a ensuite été optimisé pour différentes variantes du protocole de clonage Gibson.

Nous avons évalué la capacité du robot autonome à exécuter une expérience complète de clonage en lançant simultanément deux protocoles : la méthode HiFi standard et R8, le protocole modifié par l’IA le plus performant issu du premier cycle d’optimisation.

Nous avons comparé les résultats obtenus par le robot à ceux d’expériences réalisées par des opérateurs humains à chaque étape. Le robot a exécuté avec succès le processus de transformation, lequel nécessitait une diversité d’opérations physiques : le transfert et le mélange de liquides, le déplacement de tubes d’échantillons, l’application d’un chauffage contrôlé aux cellules, ainsi que l’ensemencement des cellules sur des boîtes de culture. Comparées directement aux transformations réalisées par des opérateurs humains, celles effectuées par le robot ont produit des données de qualité comparable, avec des améliorations équivalentes par rapport à la condition de référence, mettant en évidence un potentiel précoce pour l’automatisation et l’accélération de l’optimisation des expériences biologiques.

Bien que les variations relatives observées entre les expériences réalisées par le robot et celles effectuées par des opérateurs humains soient similaires, le nombre absolu de colonies obtenu par le robot était environ dix fois inférieur à celui obtenu en exécution manuelle, ce qui met en évidence des axes d’amélioration, notamment la précision de la manipulation des liquides, l’étalonnage du contrôle de la température et la reproduction fidèle des gestes techniques liés à la manipulation des cellules.

Nous pensons que ces expériences offrent un aperçu de ce que pourrait être la science accélérée par l’IA à l’avenir : des modèles qui apprennent en continu et interagissent avec le monde réel. Bien que nos expériences aient exclu toute intervention humaine pour mesurer de manière isolée les capacités du modèle, nous sommes particulièrement enthousiastes à l’idée que l’IA puisse aider les scientifiques⁠ à concevoir des expériences et à contribuer à des avancées majeures de la recherche.

Alors que nous œuvrons à accélérer le progrès scientifique de manière sûre et responsable, nous cherchons également à évaluer et à réduire les risques, en particulier ceux liés à la biosécurité. Ces résultats d’évaluation montrent que les modèles sont capables de raisonner dans un contexte de laboratoire humide afin d’améliorer des protocoles, et qu’ils peuvent avoir des implications en matière de biosécurité, telles que décrites dans notre cadre de préparation⁠(s'ouvre dans une nouvelle fenêtre). Nous sommes engagés à mettre en place⁠ des garde-fous nécessaires et nuancés, tant au niveau des modèles que des systèmes, pour réduire ces risques, ainsi qu’à développer des évaluations permettant d’en suivre les niveaux actuels.