GPT‑5 સેલ-ફ્રી પ્રોટીન સંશ્લેષણનો ખર્ચ ઘટાડે છે
ગિંકગો બિઓવર્ક્સ સાથે કામ કરીને, અમે AI-આધારિત સ્વાયત્ત લેબ બનાવી અને પ્રોટીન ઉત્પાદન ખર્ચમાં 40% ઘટાડો હાંસલ કર્યો.
અમે ગણિત અને ભૌતિકશાસ્ત્ર જેવા ક્ષેત્રોમાં AI તરફથી ઝડપી પ્રગતિ જોઈ છે, જ્યાં વિચારોને ઘણીવાર ભૌતિક દુનિયાને સ્પર્શ કર્યાં વગર મૂલ્યાંકિત કરી શકાય છે. જીવવિજ્ઞાન અલગ છે. પ્રગતિ લેબમાંથી પસાર થાય છે, જ્યાં વૈજ્ઞાનિકો એવા પ્રયોગો કરે છે કે જેમાં સમય અને પૈસા લાગે છે.
એ બદલાવાનું શરૂ કરી રહ્યા છે. અત્યાધુનિક મોડલ્સ હવે લેબ ઓટોમેશન સાથે સીધા જ જોડાઈ શકે છે, પ્રયોગો સૂચન કરી શકે છે, તેમને મોટાપાયે ચલાવી શકે છે, પરિણામોમાંથી શીખી શકે છે અને આગળ શું કરવું તે નક્કી કરી શકે છે. જીવન વિજ્ઞાનના મોટા ભાગમાં અવરોધ પુનરાવર્તન છે અને સ્વાયત્ત લેબ્સ એ મર્યાદાને દૂર કરવા માટે બનાવવામાં આવે છે.
પહેલાના કાર્યમાં અમે દર્શાવેલ હતું કે GPT‑5 બંધ-લૂપ પ્રયોગશીલતા દ્વારા વેવેટ-લેબ પ્રોટોકોલ્સમાં સુધારો કરી શકે છે.. અહીં અમે દર્શાવીએ છીએ કે એ જ અભિગમ પ્રોટીન ઉત્પાદનની કિંમત ઘટાડીને શકે છે.
અમે ગ્રિંગો બાયોવર્ક્સ(નવી વિન્ડોમાં ખૂલે છે) સાથે ભાગીદારી કરી GPT‑5 ને ક્લાઉડ લેબોરેટરી સાથે જોડવા માટે—સોફ્ટવેર દ્વારા દૂરથી ચલાવવામાં આવતી એક સ્વચાલિત વેટ લેબ કે જ્યાં રોબોટ્સ પ્રયોગો કરે છે અને ડેટા પરત આપે છે—અને તે લેબ ઈન ધ લૂપ સેટઅપનો ઉપયોગ કરીને વ્યાપક રીતે વપરાતી જૈવિક પ્રક્રિયાને ઑપ્ટિમાઇઝ કરી: સેલ-ફ્રી પ્રોટીન સિન્થેસિસ (CFPS). છ જેટલા બંધ-લૂપ પ્રયોગના રાઉન્ડ દરમિયાન સિસ્ટમે 580 સ્વચાલિત પ્લેટ્સમાં 36,000 કરતાં વધુ અનન્ય CFPS પ્રતિક્રિયા સંયોજનોનું પરીક્ષણ કર્યું છે. કોમ્પ્યુટર, વેબ બ્રાઉઝર અને સંબંધિત પેપર્સ સુધીની ઍક્સેસ આપવામાં આવ્યા પછી, GPT‑5 ને ઓછી કિંમતના CFPS માં નવી અત્યાધુનિક સ્થાપિત કરવા માટે પ્રયોગના ત્રણ રાઉન્ડ લાગ્યા, પ્રોટીન ઉત્પાદન ખર્ચમાં 40% ઘટાડો (અને રીએજન્ટ્સના ખર્ચમાં 57% સુધારો) હાંસલ કર્યો, જેમાં નવીન પ્રતિક્રિયા સંયોજનોનો સમાવેશ થાય છે જે સ્વાયત્ત લેબ્સમાં સામાન્ય પ્રતિક્રિયા પરિસ્થિતિ સામે વધુ મજબૂત છે.
સેલ-ફ્રી પ્રોટીન સંશ્લેષણ (CFPS) જીવિત કોષો ઉગાડ્યા વગર પ્રોટીન બનાવવાની એક રીત છે. કોષોમાં DNA મૂકીને અને તેઓ પ્રોટીન બનાવે તેની રાહ જોવાને બદલે CFPS નિયંત્રિત મિશ્રણમાં પ્રોટીનને બનાવવાની યંત્રણા ચલાવે છે. આ તેને ઝડપી પ્રોટોટાઇપિંગ અને પરીક્ષણ માટે એક વ્યવહારીક સાધન બનાવે છે કારણ કે વૈજ્ઞાનિકો ઘણા પ્રયોગો ઝડપથી ચલાવી શકે છે અને એ જ દિવસે પરિણામો માપી શકે છે.
પ્રોટીનને આધુનિક જીવવિજ્ઞાન જે આપે છે તેનો એક મોટો ભાગ છે. ઘણીબધી મહત્વની દવાઓ પ્રોટીન પર આધારિત છે. ઘણાબધા નિદાનાત્મક અને સંશોધન પરીક્ષણો પ્રોટીન પર આધાર રાખે છે. ઔદ્યોગિક પરિસ્થિતિમાં પ્રોટીન એ એન્ઝાઇમ તરીકે કાર્ય કરે છે જે રાસાયણિક પ્રક્રિયાને વધુ સ્વચ્છ અને વધુ કાર્યક્ષમ બનાવે છે. પ્રોટીન તમારા લૉન્ડ્રી ડિટર્જન્ટમાં પણ મળે છે. જ્યારે પ્રોટીનનું ઉત્પાદન વધારે ઝડપી અને સસ્તું બને છે, ત્યારે વૈજ્ઞાનિકો સામાન્ય રીતે વધુ વિચારોને વહેલાં પરીક્ષણ કરી શકે છે, અને શરૂઆતી સંશોધનને એવી વસ્તુમાં ફેરવવાની કિંમત ઘટાડે છે કે જેનો લોકો રોજિંદા જીવનમાં લાભ લઈ શકે.
CFPS એ તે પ્રકારની પુનરાવર્તનની પ્રક્રિયા માટે પહેલેથી જ ઉપયોગી છે. અડચણ એ છે કે તેને ઑપ્ટિમાઇઝ કરવું મુશ્કેલ છે અને મોટા પ્રમાણમાં ખર્ચાળ બની જાય છે.
કોષ-મુક્ત પ્રોટીન સંશ્લેષણ માટે જટિલ, પરસ્પર ક્રિયાશીલ ઘટકોની જરૂર પડી શકે છે: બનાવવાના પ્રોટીનને એન્કોડ કરતું DNA ટેમ્પલેટ, સેલ લાયસેટ (કોષને તોડીને મેળવવામાં આવતું કોષીય ઘટકોનું પ્રવાહી મિશ્રણ) અને ઊર્જા સ્ત્રોતોથી લઈ લવણો સુધીના અનેક જૈવ રાસાયણિક ઘટકો. સમગ્ર સિસ્ટમને એકસાથે સમજવી અત્યંત મુશ્કેલ છે અને ઘણા(નવી વિન્ડોમાં ખૂલે છે) અગાઉના(નવી વિન્ડોમાં ખૂલે છે) અભ્યાસોએ(નવી વિન્ડોમાં ખૂલે છે) પ્રોટીન ઉત્પાદન ખર્ચ ઘટાડવા માટે વિવિધ પ્રકારના મશીન લર્નિંગનો ઉપયોગ કર્યો છે.
માનક સેલ-ફ્રી પ્રોટીન સંશ્લેષણ (CFPS) ફોર્મ્યુલેશન્સ અને વ્યાવસાયિક કિટ્સ કિંમત ઘણીવાર માનવ-ગતિએ થતી કામગીરી માટે નક્કી કરવામાં આવે છે. સ્વાયત્ત લેબ્સ માનવ ટીમ જેટલા સમયમાં દજનેક પ્રતિક્રિયા ચલાવે, એટલા સમયમાં હજારો પ્રતિક્રિયા ચલાવી શકે છે. એવા પ્રમાણમાં રીએજન્ટ્સનો ખર્ચ મર્યાદિત પરિબળ બની જાય છે.
CFPS ને ફક્ત અંદાજના આધારે ઑપ્ટિમાઇઝ કરવું પણ મુશ્કેલ છે. આ ઘણાબધા પરસ્પર ક્રિયાશીલ ઘટકોનું મિશ્રણ ધરાવે છે. નાના ફેરફારો મહત્વ ધરાવી શકે છે, પરંતુ તેની અસર કઈ દિશામાં થશે તે હંમેશા સ્પષ્ટ નથી અને ઘણી બધી પરીક્ષણો કર્યા વગર શ્રેષ્ઠ સંયોજનો શોધવા મુશ્કેલ હોઈ શકે છે. અગાઉના અભિગમોએ ખર્ચ ઘટાડ્યા છે પરંતુ પ્રગતિ સામાન્ય રીતે ક્રમશઃ થાય છે કારણ કે આ ક્ષેત્રને સંપૂર્ણ રીતે તપાસવું શ્રમ સાધ્ય છે.
અમે GPT‑5 ને ગિંકગો બાયોવર્ક્સ’ ક્લાઉડ લેબોરેટરી સાથે જોડી સેલ-ફ્રી પ્રોટીન સિન્થેસિસ (CFPS) ઑપ્ટિમાઇઝેશન માટે ક્લોઝ્ડ-લૂપ સ્વાયત્ત સિસ્ટમ બનાવી.
GPT‑5 એ પ્રયોગોના બેંચો ડિઝાઇન કર્યા. લેબોરેટરીએ તેમને અમલમાં મુકેલ. પરિણામો મોડલને પાછા આપવામાં આવેલ. મોડલે તે ડેટાનો ઉપયોગ કરી આગળના રાઉન્ડનો પ્રસ્તાવ કર્યો. અમે એ ચક્ર છ વખત પુનરાવર્તિત કર્યું છે.
GPT‑5 એ પ્રમાણભૂત 384-વેલ પ્લેટ ફોર્મેટમાં પ્રયોગોના બેચ ડિઝાઇન કર્યા, અને તેમને ગિંકગો બાયોવર્ક્સ’ ક્લાઉડ લેબોરેટરી પર ચલાવ્યા. એકવાર ઉપયોગ પૂરો થયા પછી ક્લાઉડ પ્રયોગશાળાએ ડેટા પાછો GPT‑5 પર મોકલ્યો કે જ્યાં મોડલે પરિણામોનું વિશ્લેષણ કર્યું હતુ, નવી પરિકલ્પના સર્જન કરી અને પ્રયોગોના આગામી ચરણની રચના કરી.
સ્વાયત્ત લેબ શું કરી શકે છે તેની વાસ્તવિકતા સાથે લૂપ જોડાયેલો રાખવા માટે, કોઈપણ પ્રયોગ ચલાવતાં અગાઉ અમે કડક પ્રોગ્રામેટિક માન્યતા ઉમેરેલી છે. આ માન્યતાએ ખાતરી કરી કે AI દ્વારા ડિઝાઇન કરાયેલા પ્રયોગો ઓટોમેશન પ્લેટફોર્મ પર ભૌતિક રીતે અમલમાં મૂકી શકાય તેવા હતા. તેને એવા “કાગળ પરના પ્રયોગ” અટકાવ્યા કે જે લખાણમાં વિશ્વસનીય લાગે છે પરંતુ રોબોટિક વર્કફ્લોમાં અમલમાં મૂકી શકાતા નથી.
સંપૂર્ણ રન દરમિયાન સિસ્ટમે 580 સ્વચાલિત પ્લેટ્સ પર 36,000 કરતાં વધુ CFPS પ્રતિક્રિયા અમલમાં મૂકી છે. આ માપદંડ મહત્વ ધરાવે કારણ કે એ જ પેટર્ન્સને દેખાવા દે છે. જીવવિજ્ઞાનમાં, એકલ પ્રયોગો અચોક્કસ હોય છે. થ્રૂપુટ અને પુનરાવર્તન એવી સ્થિતિ છે કે તમે સિગ્નલને રેન્ડમ નોઇઝથી કેવી રીતે અલગ કરો છો. એકવાર GPT‑5 ને સંબંધિત પેપર અને સાધનોનો ઍક્સેસ મળી ગયા પછી, નવો અત્યાધુનિક માપદંડ સ્થાપિત કરવામાં તેને પ્રયોગોના ત્રણ તબક્કા અને બે મહિનાનો સમય લાગ્યો: અગાઉના શ્રેષ્ઠ બેઝલાઇનની સરખામણી(નવી વિન્ડોમાં ખૂલે છે)માં 40% ઓછો પ્રોટીન ઉત્પાદન ખર્ચ.
ગિંકગો બિઓવર્ક્સ’ પુનઃરૂપરેખાંકિત કરી શકાય તેવી ઓટોમેશન કાર્ટ્સ. ક્રેડિટ: ગિંકો બિઓવર્ક્સ
અમે જોયું છે કે સુધારા એવા સંયોજનો ઓળખવાથી આવ્યા હતા જે સાથે સારી રીતે કામ કરે છે અને ઉચ્ચ-થ્રૂપુટ ઓટોમેશનની વાસ્તવિક પરિસ્થિતિમાં ટકી રહે છે.
અમે શોધ્યું છે કે GPT‑5 એ ઓછી કિંમતવાળી પ્રતિક્રિયા સંયોજનો ઓળખ્યાં, જેને માનવોએ અગાઉ આ રૂપરેખામાં પરીક્ષણ કર્યા ન હતા. સેલ-ફ્રી પ્રોટીન સંશ્લેષણ (CFPS) પર વર્ષોથી અભ્યાસ કરવામાં આવ્યો છે, અલબત સંભવિત મિશ્રણોની જગ્યા હજી પણ વિશાળ છે. જ્યારે તમે હજારો સંયોજનો ઝડપથી પ્રસ્તાવિત અને અમલમાં મૂકી શકો છો ત્યારે તમે એવા કાર્યક્ષમ વિસ્તારો શોધી શકો છો જે મેન્યુઅલ વર્કફ્લો સાથે સહેલાઈથી નજરચૂક થઈ જાય છે.
અમે એ પણ શોધ્યું કે ઊંચા-થ્રૂપુટ, પ્લેટ-આધારિત પ્રયોગો ઘણીવાર મેન્યુઅલ, બેન્ચ-ટોપ પ્રયોગોથી અલગ હોય છે. ઉચ્ચ-થ્રૂપુટ પ્રતિક્રિયા ફોર્મેટ્સમાં ઓક્સિજનકરણ ઓછા પ્રમાણમાં હોઈ શકે છે. મિક્સિંગ અને જ્યોમેટ્રી સ્થિતિ અલગ હોઈ શકે છે. મોટાભાગની CFPS પ્રતિક્રિયા ટેસ્ટ ટ્યુબમાં માઇક્રોટાઇટર પ્લેટ્સ કરતાં ઘણા વધારે પ્રોટીન ઉત્પન્ન કરે છે, કારણ કે મોટા સ્કેલ પર સામાન્ય રીતે વધુ ઓક્સિજન ઉપલબ્ધતા અને વધુ સારી મિશ્રણ ક્ષમતા હોય છે. હકીકતમાં ઓછા પ્રમાણમાં પ્લેટ-આધારિત પ્રતિક્રિયા માટે, GPT‑5 એ ઘણી પ્રતિક્રિયા સૂચવી હતી જે ડેટા વિશ્લેષણ માટે કોમ્પ્યુટર અને સંબંધિત પેપર્સ શોધવા માટે વેબ બ્રાઉઝરનો ઍક્સેસ મળ્યા તરત જ અગાઉની શ્રેષ્ઠની તુલનામાં વધુ સારી સાબિત થઈ હતી . કુલ મળીને GPT‑5 એ ઉચ્ચ-થ્રૂપુટ મર્યાદા હેઠળ સારી કામગીરી કરનાર ઘણા રીએજન્ટ સંયોજનો સૂચવ્યા કે જેમાં ઘણા એવા પણ શામેલ છે કે જે સ્વચાલિત લેબ પરિસ્થિતિઓમાં સામાન્ય નીચા-ઓક્સિજન પરિસ્થિતિમાં વધુ મજબૂત છે.
આ ઉપરાંત અમે જોયું કે બફરિંગ, ઊર્જા પુનર્જનન ઘટકો અને પોલીઆમીન્સમાં નાના ફેરફારોનો તેમના ખર્ચની સરખામણીએ અસમાન રીતે મોટો પ્રભાવ પડ્યો. આ હંમેશા એવા પ્રથમ પરિમાણો નથી કે લોકો તાત્કાલિક જ પસંદ કરે પરંતુ ઊંચા થ્રૂપુટ પર, તે પૃષ્ઠભૂમિ ધારણા કરતાં વધુ પરીક્ષણ યોગ્ય પરિકલ્પના બની જાય છે.
છેવટે ખર્ચની રચનાએ જ શું મહત્વનું હતું તે નક્કી કર્યું. CFPSમાં ખર્ચ હવે લાયસેટ અને DNA દ્વારા પ્રભુત્વ ધરાવે છે. તેનો અર્થ એ છે કે ઉપજ સૌથી વધુ લાભદાયક વ્યૂહરચના છે. જો તમે મોંઘા ઇનપુટના પ્રતિ એકમ દીઠ પ્રોટીન આઉટપુટ વધારી શકો તો તમે અન્યત્ર નાની બચત પાછળ દોડો તે અગાઉે જ ખર્ચમાં મહત્વની પ્રગતિ કરી શકો છો.
આપમેળે પ્રયોગોના છ રાઉન્ડ દરમિયાન, સિસ્ટમે સેલ-ફ્રી પ્રોટીન સંશ્લેષણમાં સતત સુધારો કર્યો છે, પ્રોટીન ઉપજ વધારતાં ખર્ચ ઘટાડ્યો. પરિણામો દરેક રાઉન્ડ માટે પ્રતિક્રિયાને લગતા ખર્ચ સામે પ્રોટીન ટાઇટર તરીકે દર્શાવવામાં આવે છે, જેમાં શ્રેષ્ઠ સમતોલતા એક અત્યાધુનિક બનાવે છે. મોટા બિંદુઓ દરેક રાઉન્ડમાં પ્રાપ્ત થયેલ સૌથી ઓછો કોસ્ટ પ્રતિ ગ્રામ દર્શાવે છે, અને સ્ટાર/ડોટ્ટેડ સંદર્ભ 384-વેલ પ્લેટ્સમાં અગાઉના અત્યાધુનિક બેન્ચમાર્કને સૂચવે છે (Olsen et al., 2025). પછીના રાઉન્ડ્સને વધુ નજીકથી જોવાથી છેવટના લાભો પ્રકાશિત થાય છે અને રાઉન્ડ-દર-રાઉન્ડ સારાંશ દર્શાવે છે કે શ્રેષ્ઠ પ્રતિ ગ્રામ ખર્ચ સમય સાથે ઘટતો જાય છે.
આ પરિણામો એક પ્રોટીન, sfGFP, અને એક સેલ-ફ્રી પ્રોટીન સંશ્લેષણ (CFPS) સિસ્ટમની ઉપર દર્શાવવામાં આવ્યા હતા. અન્ય પ્રોટીન અને અન્ય CFPS સિસ્ટમ્સ માટે સામાન્યકરણ હજુ પણ દર્શાવવાનું બાકી રહેલ છે.
ઓક્સિજનકરણ અને પ્રતિક્રિયા ભૂમિતિ ઉપજ પર ભારે અસર કરી શકે છે અને આ પરિબળો પ્રમાણે બદલાઈ શકે છે. કેટલાક સુધારા આ શરતો પ્રત્યે સંવેદનશીલ હોઈ શકે છે અને તે સંવેદનશીલતાને સમજવું આગળ શું આવે છે તેનો એક ભાગ છે.
પ્રોટોકોલ સુધારા અને રીએજન્ટ હેન્ડલિંગ માટે માનવની દેખરેખ જરૂરી હતી. સિસ્ટમ ઉપયોગ ડિઝાઇન કરી શકે છે અને તેમનું અર્થઘટન કરી શકે છે, પરંતુ પ્રયોગશાળાનું કામ હજુ પણ એવા વ્યવહારુ વિગતો ધરાવે છે જેને અનુભવી Operator ની જરૂર પડે છે.
અમે અન્ય જૈવિક વર્કફ્લોઝમાં લેબ-ઈન-ધ-લૂપ ઑપ્ટિમાઇઝેશન લાગુ કરવાની યોજના ધરાવી છીએ કે જ્યાં ઝડપી પુનરાવર્તન પ્રગતિને શક્ય બનાવી શકે છે. અમે સ્વાયત્ત લેબ્સને મોડલો માટે પૂરક તરીકે જોઈ રહ્યા છીએ. મોડલ્સ ડિઝાઇન્સ સર્જન કરી શકે છે, પરંતુ અંતે જીવવિજ્ઞાનને હજી પણ પરીક્ષણ અને પુનરાવર્તનની જરૂર પડે છે. જનરેશન અને પ્રયોગ વચ્ચેનો ચક્ર પૂરું કરવો એ જ રીતે તમે આશાસ્પદ વિચારોને કાર્યકારી પરિણામોમાં ફેરવો છો.
જેમ જેમ આપણે વૈજ્ઞાનિક પ્રગતિને સુરક્ષિત અને જવાબદારીપૂર્વક ઝડપી બનાવવા માટે કામ કરીએ છીએ તેમ તેમ આપણે જોખમોનું મૂલ્યાંકન કરવા અને તેને ઘટાડવા પણ પ્રયત્ન કરી છીએ, ખાસ કરી બાયોસિક્યુરિટી સંબંધિત જોખમો. આ પરિણામો દર્શાવે છે કે મોડલ વેટ લેબમાં પ્રોટોકોલ્સ સુધારવા માટે તર્ક કરી શકે છે અને બાયોસિક્યુરિટી માટે એવા પ્રભાવ હોઈ શકે છે કે જેને અમે અમારા પ્રિપેરડનેસ ફ્રેમવર્ક દ્વારા મૂલ્યાંકન કરી છીએ અને ઘટાડી છીએ. અમે આ જોખમોને ઘટાડવા માટે મોડલ અને સિસ્ટમ સ્તરે જરૂરી અને સૂક્ષ્મ સુરક્ષા ઉપાયો બનાવવા પ્રતિબદ્ધ છીએ તેમજ વર્તમાન સ્તરોને ટ્રૅક કરવા માટે મૂલ્યાંકનોનો વિકાસ કરવા માટે પણ.
આ કાર્ય પાછળની સ્વચાલિત ક્લાઉડ પ્રયોગશાળાનું ડિઝાઇન, સંચાલન અને સહાય કરવામાં મદદ કરનાર ગિંકગો બાયોવર્ક્સ ખાતેના અમારા ભાગીદારો અને ટીમો પ્રત્યે અમે આભાર વ્યક્ત કરી છીએ.
