Չափել ԱԲ-ի կարողությունը՝ արագացնելու կենսաբանական հետազոտությունները թաց լաբորատորիայում
GPT‑5‑ը ստեղծել է նոր թաց լաբորատորիայի պրոտոկոլի բարելավումներ՝ օպտիմալացնելով մոլեկուլային կլոնավորման պրոտոկոլի արդյունավետությունը 79 անգամ:
Գիտական առաջընթացի արագացումը ԱԲ-ի միջոցով մարդկությանը օգուտ բերելու ամենաարժեքավոր միջոցներից մեկն է։ GPT‑5‑ի դեպքում մենք սկսում ենք տեսնել դրա առաջին նշանները՝ ոչ միայն հետազոտողներին գիտական գրականության մեջ ավելի արագ անցնելու հարցում օգնելու, այլև գիտական մտածողության նոր ձևերի աջակցման գործում, ինչպիսիք են անսպասելի կապերի բացահայտումը, ապացույցների ռազմավարությունների առաջարկը կամ հավանական մեխանիզմների առաջարկը, որոնք փորձագետները կարող են գնահատել և փորձարկել:
Մինչ օրս առաջընթացը առավել տեսանելի է այնպիսի ոլորտներում, ինչպիսիք են մաթեմատիկան, տեսական ֆիզիկան և տեսական համակարգչային գիտությունը, որտեղ գաղափարները կարող են խստորեն ստուգվել առանց ֆիզիկական փորձարկումների։ Կենսաբանությունը տարբեր է. առաջընթացների մեծ մասը կախված է լաբորատորիայում փորձարարական իրականացումից, իտերացիայից և էմպիրիկ վավերացումից։
Որպեսզի հասկանանք, թե ինչպես են առաջադեմ մոդելները գործում այս պայմաններում, մենք համագործակցեցինք Red Queen Bio կենսապաշտպանության ստարտափի հետ՝ ստեղծելու գնահատման շրջանակ, որը ստուգում է, թե ինչպես է մոդելը առաջարկում, վերլուծում և կրկնում գաղափարները փորձարարական լաբորատորիայում։ Մենք ստեղծեցինք պարզ մոլեկուլային կենսաբանության փորձարարական համակարգ և GPT‑5‑ը օպտիմալացրեց մոլեկուլային կլոնավորման պրոտոկոլը՝ արդյունավետությունը բարձրացնելու համար:
Բազմաթիվ փորձարկումների ընթացքում GPT‑5‑ը ներկայացրեց նոր մեխանիզմ, որը բարելավեց կլոնավորման արդյունավետությունը 79 անգամ: Կլոնավորումը հիմնարար գործիք է մոլեկուլային կենսաբանության մեջ։ Կլոնավորման մեթոդների արդյունավետությունը կարևորագույն նշանակություն ունի սպիտակուցային ինժեներիայի(բացվում է նոր պատուհանում), գենետիկական սկրինինգների(բացվում է նոր պատուհանում) և օրգանիզմների շտամների ինժեներիայի(բացվում է նոր պատուհանում) համար կարևորագույն խոշոր, բարդ գրադարաններ ստեղծելու համար։ Այս նախագիծը հնարավորություն է տալիս պատկերացում կազմելու, թե ինչպես կարող է արհեստական բանականությունը կողք-կողքի աշխատել կենսաբանների հետ՝ արագացնելու հետազոտությունը: Փորձարարական մեթոդների բարելավումը կօգնի մարդկային հետազոտողներին ավելի արագ առաջ շարժվել, նվազեցնել ծախսերը և հայտնագործությունները վերածել իրական աշխարհի ազդեցության:
Քանի որ կենսաբանական տրամաբանության առաջընթացները ունեն կենսաանվտանգության հետևանքներ, մենք այս աշխատանքը իրականացրել ենք խիստ վերահսկվող միջավայրում՝ օգտագործելով անվնաս փորձարարական համակարգ, սահմանափակելով առաջադրանքի ծավալը և գնահատելով մոդելի վարքագիծը՝ մեր կենսաանվտանգության ռիսկերի գնահատումները և մոդելի և համակարգի մակարդակի ապահովական միջոցների մշակումը տեղեկացնելու համար, ինչպես նշված է մեր Պատրաստվածության շրջանակում(բացվում է նոր պատուհանում)։
Այս կառուցվածքում GPT‑5‑ը ինքնուրույն դատողություններ արեց կլոնավորման արձանագրության վերաբերյալ, առաջարկեց փոփոխություններ և ներառեց նոր փորձերից ստացված տվյալներ՝ ավելի շատ բարելավումներ առաջարկելու համար։ Միակ մարդկային միջամտությունը գիտնականների կողմից փոփոխված արձանագրության իրականացումն ու փորձարարական տվյալների վերբեռնումն էր։
Մի քանի փուլերի ընթացքում GPT‑5‑ը օպտիմալացրեց կլոնավորման ընթացակարգը՝ արդյունավետությունը բարձրացնելով ավելի քան 79 անգամ, ինչը նշանակում է, որ մուտքային ԴՆԹ-ի ֆիքսված քանակի համար մենք ստացանք 79 անգամ ավելի շատ կլոններ հաստատված հաջորդականություններով, քան բազային արձանագրությունն օգտագործելով։ Առավել նշանակալից է այն, որ այն ներառում էր երկու ֆերմենտ, որոնք ներկայացնում են նոր մեխանիզմ՝ E. coli-ի RecA ռեկոմբինազը և T4 ֆագի 32 գենից ստացված միաշղթա ԴՆԹ կապող gp32 սպիտակուցը։ Աշխատելով համատեղ, gp32-ն հարթեցնում և քանդում է ԴՆԹ-ի ազատ ծայրերը, իսկ RecA-ն այնուհետև ուղղորդում է յուրաքանչյուր շղթան իր ճիշտ զուգընկերոջը։
Սկզբնական զննումը և երկրորդական փորձարկումները հայտնաբերեցին RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF) և Transformation 7 (T7) որպես համապատասխանաբար լավագույն ֆերմենտային և փոխակերպման պրոտոկոլներ: RAPF հավաքման և T7 փոխակերպման մեթոդները ինքնուրույն բարելավեցին կլոնավորման արդյունավետությունը՝ համապատասխանաբար 2.6 անգամ և 36 անգամ՝ համեմատած HiFi ռեակցիայի կլոնավորման հիմնական պրոտոկոլի հետ, իսկ համակցված՝ ապահովեցին կատարողականության 79 անգամ հավելյալ բարելավում։ Բոլոր կլոնները հաստատվել են հաջորդականացմամբ։ (Սխալի սյունակներ՝ n=3 անկախ վավերացման փորձերի SD):
Թեև դեռ վաղ է, այս արդյունքները խրախուսող են։ Բարելավումները հատուկ են մեր մոդել համակարգում օգտագործվող կոնկրետ կլոնավորման կարգավորմանը և դեռևս պահանջում են մարդկային գիտնականների՝ կարգավորելու և իրականացնելու համար։ Այնուամենայնիվ, այս փորձերը ցույց են տալիս, որ ԱԲ համակարգերը կարող են էականորեն աջակցել իրական լաբորատոր աշխատանքին և ապագայում արագացնել մարդկային գիտնականների աշխատանքը։
Հատկանշական է, որ արհեստական բանականության լաբորատոր ցիկլը գործարկվել է ֆիքսված հարցումներով և առանց մարդու միջամտության։ Այս հենակառույցը օգնեց բացահայտել մոդելի կարողությունը՝ առաջարկելու իսկապես նորարարական արձանագրության փոփոխություններ՝ անկախ մարդկային ուղղորդումից, բայց այն նաև սահմանափակեց համակարգը հետազոտության մեջ և սահմանափակեց նոր հայտնաբերված գաղափարների կատարողականությունը առավելագույնի հասցնելու ունակությունը: Հետազոտման և շահագործման միջև ավելի լավ դինամիկ հավասարակշռությունը հավանաբար ավելի մեծ շահույթներ կբերի, քանի որ ինչպես ֆերմենտային, այնպես էլ փոխակերպման բարելավումները զգալիորեն կատարելագործման հնարավորություն ունեն։ Մենք ակնկալում ենք, որ պլանավորման և առաջադրանքի հորիզոնային հիմնավորման առաջընթացները կբարելավեն պարզ ֆիքսված հարցումների՝ ինչպես հայտնաբերմանը, այնպես էլ հետագա օպտիմալացմանը աջակցելու կարողությունը:
Գիբսոնի հավաքման(բացվում է նոր պատուհանում) ռեակցիան եղել է հիմնական կլոնավորման մեթոդը 2009 թվականից ի վեր՝ լայնորեն ընդունվելով մոլեկուլային կենսաբանության ոլորտում: Գիբսոնի հավաքումը թույլ է տալիս մոլեկուլային կենսաբաններին «սոսնձել» ԴՆԹ-ի կտորները՝ կարճ ժամանակով հալեցնելով դրանց ծայրերը, որպեսզի համապատասխան հաջորդականությունները կարողանան կնքվել մեկ մոլեկուլի մեջ։ Գիբսոնի հավաքման հիմնական գրավչություններից մեկը դրա պարզությունն է. ամեն ինչ տեղի է ունենում մեկ խողովակի մեջ՝ նույն ջերմաստիճանում: Այդ սահմանափակումները բնականաբար թողնում են բարելավման հնարավորություն։ Բացի այդ, հետևյալ հատկությունները այն հարմար են դարձնում արհեստական բանականության մոդելների կարողությունները բարելավելու թաց լաբորատորիայի տեխնիկաները գնահատելու համար:
- Լավ սահմանված՝ վերահսկվող բաղադրիչներով, ի տարբերություն բջջային համակարգի
- Ունի հստակ օպտիմալացման ֆունկցիա՝ փոխակերպվող շրջանաձևացված ԴՆԹ, որը պատրաստված է ֆիքսված քանակությամբ գծային ԴՆԹ մուտքագրումներից:
- Համեմատաբար արագ փորձարարական ցիկլեր (1-2 օր)
- Բարձրաչափ դիզայնի տարածք, որը պահանջում է մեխանիստական հիմնավորում՝ բարելավման համար. օպտիմալ բուֆերները, ռեագենտները և ջերմաստիճանները փոխկապակցված են։
Մենք օգտագործեցինք HiFi assembly(բացվում է նոր պատուհանում), որը New England Biolabs-ի կողմից մշակված սեփական ֆերմենտային համակարգ է և հիմնված է Gibson assembly-ի վրա՝ որպես օպտիմալացման մեկնարկային կետ։ Մենք ուսումնասիրեցինք, թե արդյոք ԱԲ-ն կարող է նորարարություններ կատարել և սովորել փորձարարական կարծիքից, երբ միաստիճան և իզոթերմալ սահմանափակումները հանված են, և այդպիսով հայտնաբերել արձանագրության բարելավումներ այս սցենարում։
Մասնավորապես, մենք իրականացրեցինք երկմասանոց կլոնավորման ռեակցիա՝ օգտագործելով կանաչ ֆլուորեսցենտ սպիտակուցի (GFP) գենը և լայնորեն կիրառվող pUC19 պլազմիդը, որը ստանդարտ ԴՆԹ «վեկտոր» է, որն օգտագործվում է գեները բակտերիաների մեջ տեղափոխելու համար, որպեսզի դրանք կարողանան պատճենվել։ Նպատակը հաջողված գաղութների քանակը ավելացնելն էր։
Մենք օպտիմալացրել ենք կլոնավորման ռեակցիան՝ ներմուծելով էվոլյուցիոն շրջանակ առաջարկների կրկնության համար, ինչը հնարավորություն է տալիս մոդելին «առցանց» սովորել իր նախորդ փորձերից։ Յուրաքանչյուր փուլում GPT‑5‑ը առաջարկում էր 8-10 տարբեր ռեակցիաների խումբ, և ռեակցիաները տեղափոխվում էին ավելի ուշ փուլեր, եթե դրանք պահանջում էին հատուկ ռեագենտներ, որոնք լաբորատորիան չուներ անմիջապես հասանելի։ Այնուհետև գիտնականները իրականացրեցին ռեակցիաները և չափեցին գաղութների քանակները՝ համեմատած HiFi Gibson հավաքման հիմքի հետ նախնական զննման ընթացքում: Նախորդ փուլի լավագույն կատարողական ունեցող տվյալները այնուհետև փոխանցվեցին հաջորդ փուլին։ Կարևոր է նշել, որ հարցումների ստանդարտացումը կատարվել է առանց մարդկային մուտքագրումների՝ բացի պարզաբանումների հարցերից, ինչը թույլ է տալիս մեզ նոր մեխանիստական պատկերացումները ուղղակիորեն վերագրել ԱԲ-ին, այլ ոչ թե մարդկային ուղղորդմանը:
Մենք վերանայեցինք ամբողջական օպտիմալացման շարքի լավագույն ութ ռեակցիաները՝ օգտագործելով ԴՆԹ-ի նոսրացումների ավելի լայն շրջանակ, և պարզեցինք, որ շատերը ցույց տվեցին ավելի փոքր ազդեցություններ, քան սկզբնական էկրանին. ի վերջո, ամենաուժեղ հաստատված թեկնածուն ռեակցիա էր 5-րդ փուլից, որը վերարտադրեց իր սկզբնական կատարողականությունը։ Բարձր արդյունավետությամբ շատ դեղամիջոցներ դասվում են լիգազ-փայլեցնող նյութերի ընտանիքին, որոնք, կարծես թե, հատկապես զգայուն են կոմպետենտ բջջի վիճակի և/կամ ռեակցիայից հետո ԴՆԹ-ի մշակման փոքր տատանումների նկատմամբ։ Քանի որ այս ռեակցիաներում օգտագործվել է կարճ HiFi քայլ, մենք ենթադրում ենք, որ շատ արգասիքներ, հավանաբար, մտնում են E. coli-ի մեջ միայն մեկ հանգույցի կնքմամբ, իսկ մյուսը՝ թրծման միջոցով պահված, թողնելով ներքևի փրկարարական ուղիները բջջային վերականգնման համար։ Սա ստեղծում է բարձր դիսպերսիա և «ջեքփոթ» դինամիկա. նույնիսկ եթե այս ռեակցիայի տարբերակների մեծ մասը չի գերազանցում նախորդներին, մեկ ուժեղ արտակարգ ցուցանիշը կարող է ընտանիքը տանել հաջորդ փուլեր։
Մինչ մենք կենտրոնացած էինք կլոնավորման ռեակցիայի օպտիմալացման վրա՝ դրա մեխանիկական բարդության պատճառով, մենք զուգահեռաբար օպտիմալացնում էինք փոխակերպման ընթացակարգը՝ օգտագործելով մեկ «մեկանգամյա» փուլ, որտեղ մոդելը առաջարկում էր բազմաթիվ անկախ փոփոխություններ, և մենք ընտրեցինք լավագույն կատարողական ռեակցիան։
Երկու քայլանոց կլոնավորման աշխատանքային հոսքի նախնական օպտիմալացման էկրաններ՝ ֆերմենտային հավաքում և փոխակերպում: (Ձախ) Էնզիմատիկ հավաքման իտերատիվ օպտիմալացում հինգ փուլերի ընթացքում (ընդհանուր 44 ռեակցիա): Սկսած HiFi հավաքման հիմքից, GPT‑5‑ը առաջարկեց 8-10 հավաքման արձանագրության տարբերակ յուրաքանչյուր փուլում. լավագույն արդյունքների տվյալները ներառվեցին հաջորդ հարցումներում: Յուրաքանչյուր փուլում մենք գծագրում ենք մինչ այժմ լավագույն արդյունք տված ռեակցիան (ներառյալ նախորդ փուլերը): (Աջ) Մեկանգամյա օպտիմալացում՝ փոխակերպման պայմանների փորձարկման համար՝ 13 տարբեր արձանագրություններով: Երկու օպտիմալացման էկրանների համար տվյալները ներկայացնում են մեկ չափում (n=1) յուրաքանչյուր պայմանում. կրկնօրինակված վավերացումը կատարվել է առանձին՝ լավագույն թեկնածուների համար։
Օգտագործելով ստանդարտացված հարցումներ առանց մարդկային միջամտության, GPT5-ը 79 անգամ բարելավել է վերջնական կլոնավորման արդյունավետությունը, ինչը հաստատվել է փորձարարական կրկնօրինակների միջոցով։
Հատկանշական է, որ մոդելը առաջարկեց նոր էնզիմատիկ ընթացակարգ, որը մոդելը անվանեց RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF-HiFi), որը ռեակցիային ավելացնում է երկու նոր սպիտակուց՝ ռեկոմբինազ RecA E. coli-ից և ֆագ T4 գեն 32 միաշղթա ԴՆԹ-ի կապող սպիտակուց (gp32)։ Բացի այդ, մոդելը դիտավորյալ փոփոխություններ է կատարել ինկուբացիայի ջերմաստիճանում և ժամանակում, ինչպես նաև ֆերմենտային հավելումների ժամանակացույցում. այն առաջարկել է ավելացնել RecA և gp32 նախնական 50°C HiFi ռեակցիայից հետո, թողնելով, որ այս սպիտակուցները գործեն 37°C-ում, ապա հետ գնալ 50°C՝ հավաքումը ավարտելու համար։ Միասին, այս նոր փոփոխությունները բարձրացրեցին արդյունավետությունը ավելի քան 2,5 անգամ։ Պետք է նկատի ունենալ, որ սա ներկայացնում է նախնական կատարողականությունը՝ առանց ռեակցիայի պայմանների և ժամանակի կրկնվող օպտիմալացման։
Տրանսֆորմացիայի առումով ամենաարդյունավետ փոփոխությունը անսպասելիորեն պարզ էր. բջիջների գնդիկավորում (դրանք ցենտրիֆուգի մեջ պտտեցնելով, որպեսզի դրանք հավաքվեն խողովակի հատակում), մատակարարված ծավալի կեսը հեռացնելով և բջիջների վերասուզումով՝ նախքան ԴՆԹ ավելացնելը, այս ամենը 4°C ջերմաստիճանում։ Մինչդեռ բարձր արդյունավետությամբ քիմիապես կոմպետենտ բջիջները սովորաբար համարվում են փխրուն, բջիջները լավ են տարել կոնցենտրացիան, և մոլեկուլային բախումների աճը զգալիորեն բարձրացրել է փոխակերպման արդյունավետությունը (վերջնական վավերացման ժամանակ >30 անգամ):
T5 էքսոնուկլեազը ստեղծում է 3′ ծայրեր, որոնք gp32-ն կայունացնում է՝ ճնշելով երկրորդական կառուցվածքը։ Այնուհետև RecA-ն ներխուժում է 3′ ծայրերից՝ դուրս մղելով gp32-ը և նպաստելով հոմոլոգիայի որոնմանը և միացմանը։ Ջեռուցումը մինչև 50 °C հեռացնում է երկու սպիտակուցները՝ հնարավորություն տալով պոլիմերազի բացը լրացնել և կապակցում իրականացնել։
Gibson հավաքումը գործում է՝ ԴՆԹ-ի կտորներին համապատասխան «կպչուն» ծայրեր տալով, որպեսզի նրանք կարողանան գտնել միմյանց և միանալ։ Ռեակցիան օգտագործում է երկու տարբեր ֆերմենտներ (պոլիմերազ և լիգազ)՝ միացված մասերը կնքելու համար։ RAPF-HiFi-ում ներկայացվել են երկու սպիտակուց՝ համապատասխանեցման քայլը ավելի լավ աշխատեցնելու համար։ Առաջինը՝ gp32-ը, գործում է որպես սանր, որը հարթեցնում և քանդում է ազատ ԴՆԹ-ի ծայրերը։ Երկրորդը, RecA-ն, գործում է որպես ուղեցույց, որը փնտրում է յուրաքանչյուր շղթայի ճիշտ զուգընկերը և համախմբում համապատասխան մասերը միասին։ Բարձր ջերմաստիճանը առաջացնում է, որ երկու օգնականները հեռանան ԴՆԹ-ից, ինչը թույլ է տալիս նորմալ Գիբսոն ֆերմենտներին ավարտել ռեակցիան։
Ամփոփելով, մենք ենթադրում ենք, որ կատարողականության բարելավումը միջնորդվում է հետևյալ մեխանիզմով՝
- Gp32-ը ծածկում է չհամակցված միաշղթա ԴՆԹ-ի (ssDNA) պոչերը՝ հեռացնելով երկրորդական կառուցվածքը
- RecA-ն, որը սովորաբար արգելակվում է կառուցվածքով, ներխուժում է 3'-ից և տեղաշարժում gp32 թելիկը։
- RecA-ն միջնորդում է ssDNA:ssDNA հոմոլոգիայի որոնում(բացվում է նոր պատուհանում)՝ խթանելով maicwumz։
- 50°C վերադարձը տեղահանում է recA և gp32 թելիկները, թույլ տալով պոլիմերազին և լիգազին ավարտել ռեակցիան։
Նոր ֆերմենտների ֆունկցիոնալությունը ստուգելու և բացառելու համար, որ կատարողականության բարելավումը պայմանավորված է միայն ջերմային քայլերի կամ բուֆերների փոփոխություններով, մենք փորձարկեցինք RAPF-HiFi-ի կատարողականությունը առանց RecA-ի, ինչպես նաև առանց թե՛ RecA-ի, թե՛ gp32-ի: Երկու ռեակցիաների կատարողականությունը նվազել է համեմատած RAPF-HiFi-ի հետ, ինչը ցույց է տալիս, որ երկու սպիտակուցներն էլ անհրաժեշտ են RAPF-HiFi-ի գործողության մեխանիզմի համար։
Հիմքում ընկած մեխանիզմը փորձարկելու համար մենք առանձնացնում ենք ռեակցիայում երկու նոր ֆերմենտները՝ RecA և gp32։ Մենք ցույց ենք տալիս, որ դրանցից յուրաքանչյուրը միայնակ նվազեցնում է արդյունավետությունը՝ համեմատած HiFi ելակետային մակարդակի հետ։ Միասին նրանք գերազանցում են ելակետային մակարդակը՝ 2,6 անգամ արդյունավետության բարձրացմամբ։ (Սխալի սանդղակներ՝ n=3 անկախ փորձերի ստանդարտ շեղում (SD))
RAPF-HiFi-ի զարգացումը ցույց է տալիս, որ GPT‑5‑ը ունակ է բարդ, բազմաչափ դատողության ունակություն ունենալու:
- RecA-ն արգելակվում է ԴՆԹ-ի կառուցվածքով(բացվում է նոր պատուհանում), և ուշագրավ է, որ մոդելը միաժամանակ ներմուծել է երկու սիներգիստական մոդիֆիկացիա՝ ավելացնել RecA-ն և լրացնել այն gp32-ով՝ ԴՆԹ-ի երկրորդային կառուցվածքը հեռացնելու համար։
- E. coli RecA-ի բնական գործընկերը E. coli միաշղթա կապող սպիտակուցն է (SSB): SSB-ն կատարում է gp32-ի նման դեր գենոմի վերարտադրման, վերամիավորման և վերանորոգման ընթացքում։ Այնուամենայնիվ, E. coli SSB-ն ինքնաբերաբար բավականաչափ արագ չի հեռանում ԴՆԹ-ից, որպեսզի RecA թելիկի աճը տեղի ունենա, իսկ RecFOR համալիրն աջակցում է RecA-ի նուկլեացիային SSB թելիկի վրա in vivo(բացվում է նոր պատուհանում): SSB-ն կապվում է որպես կայուն տետրամեր՝ ծայրահեղ դանդաղ անջատման արագություններով(բացվում է նոր պատուհանում)։ Ի տարբերություն, gp32 թելիկը ավելի դինամիկ(բացվում է նոր պատուհանում) է, ինչը թույլ է տալիս RecA-ի տեղաշարժը։
Մեր տեղեկություններով, RecA-ն և gp32-ը ֆունկցիոնալորեն համատեղ չեն օգտագործվել մոլեկուլային կենսաբանության մեթոդներում։ Ինչպես շատ նորարարական մոլեկուլային կենսաբանության տեխնիկաների դեպքում, հիմքում ընկած կենսաքիմիական ակտիվությունները արդեն ուսումնասիրված էին, բայց դրանց գործնական, ընդհանրացվող մեթոդի օգտագործումը կազմում է առաջընթացը։
Օրինակ, RecA-ի և gp32-ի փոխազդեցությունը ուսումնասիրվել է մեխանիստական in vitro վերականգնման փորձարկումներում. D օղակի ձևավորման ուսումնասիրություններում ցուցադրվել է, որ gp32-ը(բացվում է նոր պատուհանում) կարող է ուժեղացնել RecA-ի ակտիվությունը: Gp32-ն օգտագործվել է իր բնական T4 ռեկոմբինազ զուգընկեր UvsX-ի և ռեկոմբինազ բեռնման գործոն uvsY-ի հետ ռեկոմբինազ պոլիմերազային ամպլիֆիկացիայի (RPA)(բացվում է նոր պատուհանում) ընթացքում։ Չնայած որ RPA արտոնագրի բնութագրում նշվում է(բացվում է նոր պատուհանում), որ արդյունավետ RPA ռեակցիաներ ցուցադրվել են E. coli RecA-ի օգտագործմամբ հեթերոլոգ համակարգում՝ փոխված (այսինքն՝ ինժեներացված, ոչ վայրի տիպի) gp32 սպիտակուցով, այս պնդումը հայտնվում է միայն որպես շեղում որոշ արտոնագրային բացահայտումներում և, մեր տեղեկություններով, չի աջակցվել հրապարակված տվյալներով կամ ընդունվել որպես ամուր RecA-ի վրա հիմնված RPA համակարգ։ Մեկ կլոնավորման մեթոդ, որը կոչվում է SLiCE(բացվում է նոր պատուհանում), օգտագործում է E. coli -ից հանված բջջային հումք, որը պարունակում է λ Red վերամիավորման համակարգը, որտեղ Red բետա կարող է կատարել երկակի դերեր՝ որպես թե՛ ԴՆԹ-ի կապող սպիտակուց, թե՛ վերամիավորիչ (չնայած մենք հստակ արգելել էինք բջջային հանույթների օգտագործումը մեր հարցումում)։ Այլ հավելվածում, Ferrin և Camerini-Otero(բացվում է նոր պատուհանում)-ը օգտագործել են միայն RecA՝ ընտրողաբար որսալու ԴՆԹ մոլեկուլները՝ հիմնված համընկնող հաջորդականությունների վրա։ Առանձին, gp32-ը օգտագործվել է որպես հավելանյութ(բացվում է նոր պատուհանում) ԴՆԹ-ի բազմապատկման գործընթացում, որը կոչվում է PCR՝ երկրորդական կառուցվածքը նվազեցնելու համար։ NABSA-ի ամպլիֆիկացիան ցույց է տրվել(բացվում է նոր պատուհանում), որ ուժեղացվում է ինչպես RecA-ի, այնպես էլ gp32-ի կողմից, թեև յուրաքանչյուրը կարող էր առանձին ուժեղացնել ռեակցիան, և սիներգիա չի հայտնաբերվել: Ավելի լայն առումով, Գիբսոնի ոճի ԴՆԹ հավաքման հիմնական ռեակցիաների բարելավումների մասին հաղորդումները սակավ են եղել, ամենանշանակալին ջերմակայուն ԴՆԹ կապող սպիտակուցն է (ET SSB), որը մոտ 2,5 անգամ բարելավում է հավաքման արդյունավետությունը(բացվում է նոր պատուհանում)։
Հավելվածների մեծ մասի համար, մենք չենք ակնկալում, որ RAPF-HiFi-ն կհամապատասխանի HiFi/Gibson կլոնավորման պարզության և հուսալիության հետ։ Այնուամենայնիվ, մեխանիստորեն տարբեր հավաքման ուղու ի հայտ գալը ուշագրավ է. GPT‑5‑ը հասավ մի լուծման, որը ներառում է ռեկոմբինացիոն սպիտակուցների և ռեակցիայի դինամիկայի անծանոթ համադրություն։ Հիմնական մեխանիզմը կարող է լինել մոդուլային՝ տրամադրելով բաղադրիչներ, որոնք կարող են վերաօգտագործվել կամ վերամիավորվել այլ մոլեկուլային աշխատանքային հոսքերում։ Մենք նույնպես շարունակում ենք ուսումնասիրել RAPF-HiFi-ի բարելավումները։ Ռեակցիայի ջերմաստիճանները և քայլերի տևողությունները կարող են կարգավորվել՝ RecA և gp32 ակտիվությունը էքզոնուկլեազի գերամարսման դեմ հավասարակշռելու համար, և երկու սպիտակուցների քանակները դեռևս պետք է օպտիմալացվեն։ GPT‑5‑ը նաև առաջարկել է հիպերակտիվ RecA տարբերակ, որը մենք ներկայումս մաքրում ենք։
Փոխակերպման արձանագրության համաձայն՝ հաջողված օպտիմալացման պայմանները ընդգրկում էին հավելումների և ջերմային խանգարումների մի շարք, որոնք նախատեսված էին կոմերցիոն 10-բետա կոմպետենտ բջիջների(բացվում է նոր պատուհանում) ջերմային հարվածի արդյունավետությունը բարձրացնելու համար: Փորձարկված 13 ԱԲ-ով գեներացված մեկանգամյա փոխակերպումներից ամենաարդյունավետ փոփոխությունը՝ Փոխակերպում 7 (T7), պելետավորեց բջիջները, հեռացրեց մատակարարված ծավալի կեսը և վերասուսպենդացրեց բջիջները մինչև ԴՆԹ-ի ավելացումը՝ ամեն ինչ 4°C-ում։ Բարձր արդյունավետությամբ քիմիապես կոմպետենտ բջիջները սովորաբար համարվում են փխրուն, և այդպիսի մշակման քայլերից սովորաբար խուսափում են։ Այնուամենայնիվ, բջիջները լավ հանդուրժեցին խտության բարձր մակարդակը։ Բջիջի մեկ ԴՆԹ-ի ազդեցության ավելացման և արգելակող բուֆերի նվազման համակցված ազդեցությունները, որոնք հանգեցրին ավելի սուր ջերմային հարվածի, հանգեցրին փոխակերպման արդյունավետության զգալի (>30 անգամ) բարձրացման:
Այս փոխակերպման արձանագրությունը նոր է, թեև գաղափարապես նման մոտեցում(բացվում է նոր պատուհանում), որտեղ բջիջները կենտրոնացվում են ավելի վաղ փուլում, արդեն հաղորդվել է։ Նշանակալի է, որ այստեղ GPT‑5‑ի կողմից մշակված մեթոդը համատեղելի է առկա քիմիապես կոմպետենտ բջիջների հետ, ինչը վերացնում է ներքին բջիջների պատրաստման անհրաժեշտությունը՝ միաժամանակ գերազանցելով նմանատիպ մոտեցման հաշվետու արդյունավետության աճերը համադրելի բջջային շտամների վրա:
Այս մոդելային փորձարարական համակարգի թողունակությունը մեծացնելու համար, Robot on Rails-ը և Red Queen Bio-ն համագործակցեցին՝ ստեղծելու ռոբոտային համակարգ, որը ընդունում է բնական լեզվով կլոնավորման պրոտոկոլը և այն իրականացնում է թաց լաբորատորիայում։
Համակարգը համատեղում է երեք բաղադրիչներ՝ 1) մարդ-ռոբոտ LLM, որը պարզ անգլերենը վերածում է ռոբոտի գործողությունների, 2) տեսողական համակարգ, որը իրական ժամանակում հայտնաբերում և տեղայնացնում է լաբորատոր սարքավորումները, և 3) ռոբոտային ուղու պլանավորիչ, որը որոշում է, թե ինչպես անվտանգ և ճշգրիտ իրականացնել յուրաքանչյուր գործողություն: Արդյունքը ճկուն, ընդհանրացված լաբորատոր ռոբոտ է, որը հետագայում օպտիմալացվել է Գիբսոնի կլոնավորման պրոտոկոլի տարբերակների համար։
Մենք փորձարկեցինք, թե արդյոք ինքնավար ռոբոտը կարող է իրականացնել ամբողջական կլոնավորման փորձ՝ միաժամանակ գործարկելով երկու պրոտոկոլ՝ ստանդարտ HiFi մեթոդը և R8-ը, առաջին օպտիմալացման փուլից լավագույն արդյունք ունեցող ԱԲ-փոփոխված պրոտոկոլը:
Մենք համեմատեցինք ռոբոտի աշխատանքը մարդու կողմից կատարված փորձարկումների հետ յուրաքանչյուր քայլում: Ռոբոտը հաջողությամբ իրականացրեց փոխակերպման գործընթացը, որը պահանջում էր տարբեր ֆիզիկական գործողություններ՝ հեղուկների փոխանցում և խառնում, նմուշային խողովակների տեղափոխում, բջիջներին վերահսկվող ջերմություն կիրառելը և բջիջները տարածելը աճման ափսեների վրա: Երբ ուղղակիորեն համեմատվում է մարդու կողմից կատարված փոխակերպումների հետ, ռոբոտը գեներացրեց նման որակի տվյալներ՝ հիմքի նկատմամբ համարժեք բարելավումներով, ցույց տալով կենսաբանական փորձերի օպտիմալացման ավտոմատացման և արագացման վաղ ներուժը:
Չնայած ռոբոտի և մարդու փորձարկումների միջև ծալքափոխությունները նման էին, ռոբոտից ստացված բացարձակ գաղութների քանակը մոտ տաս անգամ ավելի ցածր էր, քան ձեռքով կատարման դեպքում, ինչը ցույց է տալիս բարելավման ոլորտներ, ինչպիսիք են հեղուկի մշակման ճշգրտությունը, ջերմաստիճանի վերահսկման կալիբրացիան և ձեռքով բջիջների մշակման տեխնիկայի նրբությունների կրկնօրինակումը:
Ե՛վ ստանդարտ HiFi մեթոդը (հիմնական), և՛ բարելավված R8 մեթոդը իրականացվել են մարդկային հետազոտողների և ինքնավար ռոբոտի կողմից, փոխակերպման արդյունավետությունները նորմալացվել են համապատասխան HiFi հիմնական վերահսկիչների նկատմամբ (սահմանված է 1.0): Մարդկային կատարմամբ R8-ը ցույց տվեց 2,39 անգամ բարելավում, իսկ ռոբոտային կատարմամբ R8-ը հասավ 2,13 անգամ բարելավման (մարդկային կատարողականության 89%-ը), ինչը ցույց է տալիս համեմատելի պրոտոկոլային դասակարգում՝ չնայած ավելի ցածր բացարձակ արդյունքներին:
Մենք հավատում ենք, որ այս փորձերը ներկայացնում են ապագայի ԱԲ-արագացված գիտության կադրը՝ մոդելներ, որոնք շարունակաբար սովորում են և փոխազդում իրական աշխարհի հետ։ Թեև մեր փորձարկումները բացառել են մարդկային միջամտությունը՝ մոդելի հնարավորությունները մաքուր չափելու համար, մենք հատկապես ոգևորված ենք ԱԲ-ի՝ մարդկային գիտնականներին օգնելու փորձարկումներ նախագծելիս և հետազոտական առաջընթացներին նպաստելիս։
Քանի որ մենք աշխատում ենք արագացնել գիտական առաջընթացը անվտանգ և պատասխանատու կերպով, մենք նաև ձգտում ենք գնահատել և նվազեցնել ռիսկերը, հատկապես կենսաանվտանգության հետ կապված։ Այս գնահատման արդյունքները ցույց են տալիս, որ մոդելները կարող են հիմնավորել թաց լաբորատորիայում՝ բարելավելու արձանագրությունները, և կարող են ունենալ հետևանքներ կենսապահովության համար, ինչպես նկարագրված է մեր Պատրաստվածության շրջանակում(բացվում է նոր պատուհանում)։ Մենք հավատարիմ ենք կառուցելու անհրաժեշտ և նրբանկատ պաշտպանական միջոցառումներ մոդելի և համակարգի մակարդակներում՝ այս ռիսկերը նվազեցնելու համար, ինչպես նաև մշակելու գնահատման մեխանիզմներ՝ ընթացիկ մակարդակները հետևելու համար:
