GPT‑5 nyuda biaya sintesis protein tanpa sel

Kita wis weruh kemajuan sing cepet saka AI ing bidang kaya matematika lan fisika, ing ngendi gagasan asring bisa dievaluasi tanpa nyentuh donya fisik. Biologi iku beda. Kemajuan lumaku liwat lab, ing ngendi para ilmuwan nindakake eksperimen sing mbutuhake wektu lan dhuwit.

Kuwi lagi wiwit owah. Model frontier saiki bisa nyambung langsung menyang otomatisasi lab, ngusulaké eksperimen, nglakokaké ing skala gedhé, sinau saka asilé, lan mutusaké apa sing kudu ditindakake sabanjuré. Ing akeh bidang sains, hambatan utamane ana ing iterasi, lan laboratorium otonom dibangun kanggo ngilangi watesan kasebut.

Ing karya sadurunge, kita nuduhake yen GPT‑5 bisa ngapikake protokol wet-lab liwat eksperimen loop tertutup. Ing kéné, kita nuduhaké yèn pendekatan sing padha bisa nyuda biaya produksi protein.

Kita kerja bareng karo Ginkgo Bioworks⁠(mbukak ing jendhela anyar) kanggo nyambungake GPT‑5 karo laboratorium cloud—wet lab otomatis sing dioperasikake saka jarak jauh liwat piranti lunak, ing ngendi robot nindakake eksperimen lan mbalekake data—lan nggunakake sistem lab-in-the-loop kasebut kanggo ngoptimalake proses biologis sing akeh digunakake: sintesis protein tanpa sel (CFPS). Sajrone enem puteran eksperimen loop tertutup, sistem nyoba luwih saka 36.000 komposisi reaksi CFPS sing unik ing 580 plate otomatis. Sawisé diwènèhi akses menyang komputer, browser web, lan akses menyang dokumen sing relevan, GPT‑5 mbutuhake telung babak eksperimen kanggo netepaké standar paling anyar ing CFPS biaya murah, nggayuh pangurangan 40% ing biaya produksi protein (lan peningkatan 57% ing biaya reagen), kalebu komposisi reaksi anyar sing luwih tahan marang kahanan reaksi sing umum ing lab otonom.

Sintesis protein tanpa sel (CFPS) yaiku cara kanggo nggawe protein tanpa ngembangake sel urip. Tinimbang nglebokaké DNA menyang sel lan ngenteni supaya sel-sel kuwi ngasilaké protein, CFPS nglakokaké mesin pambentukan protein ing campuran sing dikontrol. Kuwi ndadèkaké piranti iki dadi alat sing praktis kanggo prototyping lan pengujian kanthi cepet amarga para ilmuwan bisa nindakake akèh eksperimen kanthi cepet lan ngukur asil ing dina sing padha.

Protein iku bagean gedhé saka apa sing diwènèhaké biologi modern. Akeh obat penting sing adhedhasar protein. Akeh diagnostik lan uji riset gumantung marang protein. Ing lingkungan industri, protein tumindak minangka enzim sing nggawe proses kimia luwih resik lan luwih efisien. Protein malah ditemokaké ing deterjen umbah-umbahanmu. Nalika produksi protein dadi luwih cepet lan luwih murah, para ilmuwan biasané bisa nyoba luwih akèh gagasan luwih awal, lan nyuda biaya kanggo ngowahi riset tahap awal dadi soko sing bisa dipigunakaké wong saben dina.

CFPS wis migunani kanggo iterasi kaya ngono. Watesané yaiku angel dioptimalaké lan dadi larang yen wis skala gedhé.

Sintesis protein tanpa sel mbutuhake bahan-bahan sing kompleks lan saling sesambungan: cithakan DNA sing ngode protein sing arep digawe, lisat sel (campuran mesin seluler saka njero sel), lan akèh komponen biokimia wiwit saka sumber energi nganti uyah. Pancen angel banget kanggo nalar babagan sistem sacara sakabèhé, lan akeh⁠(mbukak ing jendhela anyar) sadurungé⁠(mbukak ing jendhela anyar) panaliten⁠(mbukak ing jendhela anyar) wis ngetrapake macem-macem jinis machine learning kanggo nyuda biaya produksi protein.

Formulasi sintesis protein tanpa sel (CFPS) standar lan kit komersial asring diwenehi rega kanggo pakaryan kanthi tempo manungsa. Lab otonom bisa nindakake ewonan reaksi ing wektu sing tim manungsa bisa nindakake puluhan. Ing skala kuwi, biaya reagen dadi faktor sing matesi.

CFPS uga angel dioptimalake mung adhedhasar intuisi. Iki campuran saka akèh komponen sing saling sesambungan. Owah-owahan cilik bisa nduwèni pengaruh, nanging arah pengaruhe ora mesthi cetha, lan kombinasi sing paling apik bisa angel ditemokaké tanpa nindakake akèh eksperimen. Pendekatan sadurungé wis nyuda biaya, nanging kemajuan cenderung bertahap amarga njelajah ruang kasebut kanthi tuntas mbutuhake tenaga kerja sing akeh.

Kita nggabungake GPT‑5 karo laboratorium cloud saka Ginkgo Bioworks kanggo mbentuk sistem otonom loop tertutup kanggo ngoptimalake sintesis protein tanpa sel (CFPS).

GPT‑5 ngrancang batch eksperimen. Lab kasebut nglakokake. Asilé diwènèhaké bali menyang model. Model kasebut nggunakake data kuwi kanggo ngusulaké babak sabanjuré. Kita mbaleni siklus kuwi kaping enem.

Supaya loop tetep adhedhasar apa sing bisa ditindakake lab otonom, kita nambah validasi programatik sing ketat sadurunge eksperimen apa wae ditindakake. Validasi kasebut njamin yen eksperimen sing dirancang dening AI bisa ditindakake sacara fisik ing platform otomatisasi. Iki nyegah “eksperimen kertas” sing katon masuk akal ing teks nanging ora bisa ditindakake ing alur kerja robotik.

Sajrone sakabèhé proses, sistem nglakokaké luwih saka 36,000 reaksi CFPS ing 580 pelat otomatis. Skala iki penting amarga iki sing ngidini pola-pola metu. Ing biologi, eksperimen tunggal iku rame. Throughput lan iterasi iku cara kanggo misahake sinyal saka gangguan acak. Sawise GPT‑5 nduweni akses marang makalah lan piranti sing relevan, dibutuhake telung puteran eksperimen lan rong wulan kanggo nggayuh standar paling anyar: biaya produksi protein 40% luwih murah dibandhingake karo baseline sadurungé sing paling apik⁠(mbukak ing jendhela anyar).

Kita nemokake yen peningkatan iku asalé saka ngenali kombinasi sing bisa kerja apik bareng lan tetep kuat nalika digunakake ing kondisi otomatisasi berthroughput dhuwur.

Kita nemokake yen GPT‑5 ngenali komposisi reaksi sing murah sing sadurunge durung tau diuji dening manungsa ing konfigurasi iki. Sintesis protein tanpa sel (CFPS) wis ditliti pirang-pirang taun, nanging ruang campuran sing bisa ditindakake isih amba. Nalika panjenengan bisa ngusulake lan nglakokake ewonan kombinasi kanthi cepet, panjenengan bisa nemokake wilayah sing bisa ditindakake sing gampang ketinggalan nganggo alur kerja manual.

Kita uga nemokake yen eksperimen high-throughput sing nganggo pelat asring beda karo eksperimen manual ing meja laboratorium. Oksigenasi bisa luwih endhek ing format reaksi throughput dhuwur. Nyampur lan geometri bisa beda. Umumé reaksi CFPS ngasilaké protein luwih akèh ing tabung uji tinimbang ing piring mikrotiter, amarga skala sing luwih gedhé biasané nyedhiyakake oksigen luwih akèh lan campuran sing luwih apik. Nyatane, kanggo reaksi adhedhasar pelat ing volume cilik, GPT‑5 ngusulaké akèh reaksi sing ngluwihi kinerja sing paling apik sadurungé langsung sawisé éntuk akses menyang komputer kanggo analisis data lan browser web kanggo nggoleki makalah sing relevan. Sakabèhé, GPT‑5 ngusulaké akèh kombinasi reagen sing kinerjané apik ing sangisoré watesan high-throughput, kalebu akèh sing luwih tangguh ing kahanan oksigen endhek sing umum ana ing setelan lab otomatis.

Kajaba iku, kita nemokake yen owah-owahan cilik ing buffering, komponen regenerasi energi, lan poliamina nduweni pengaruh sing ora sebandhing karo biayane. Iki ora mesthi dadi paramèter pisanan sing digayuh wong, nanging ing throughput sing dhuwur, paramèter iki dadi hipotesis sing bisa diuji tinimbang asumsi latar mburi.

Pungkasané, struktur biaya kuwi dhewe mbentuk apa sing penting. Ing CFPS, biaya saiki didominasi déning lisat lan DNA. Tegesé, asil iku strategi sing paling duwé pengaruh gedhé. Yen output protein saben unit bahan sing larang bisa ditingkatake, biaya bisa mudhun kanthi signifikan sanajan durung golek penghematan cilik ing bagian liyane.

Asil iki wis didemonstrasikaké ing siji protein, sfGFP, lan siji sistem cell-free protein synthesis (CFPS). Generalisasi menyang protein liyane lan sistem CFPS liyane isih perlu dibuktekaké.

Oksigenasi lan geometri reaksi bisa banget mengaruhi hasil, lan faktor-faktor iki bisa beda gumantung saka skala. Sawetara perbaikan bisa uga sensitif marang kondisi iki, lan mangerteni sensitivitas kasebut dadi bagean saka langkah sabanjure.

Pengawasan manungsa dibutuhake kanggo perbaikan protokol lan penanganan reagen. Sistem bisa ngrancang lan napsiraké eksperimen, nanging pakaryan laboratorium isih nyakup rincian praktis sing mbutuhaké operator sing wis pengalaman.

Kita ngrencanakake nerapake optimalisasi lab-in-the-loop ing alur kerja biologis liyane sing bisa maju luwih cepet kanthi iterasi sing luwih cepet. Kita ndeleng lab otonom minangka pelengkap kanggo model. Model bisa ngasilaké desain, nanging pungkasane biologi isih mbutuhake uji coba lan iterasi. Nutup celah antarane generasi lan eksperimen iku carane sampeyan ngowahi gagasan sing njanjeni dadi asil sing bisa digunakaké.

Nalika kita makarya kanggo nyepetaké kemajuan ilmiah kanthi aman lan tanggung jawab, kita uga ngupaya ngevaluasi lan nyuda risiko, utamané sing ana gandhèngané karo biosekuriti. Asil iki nuduhake yen model bisa nalar ing laboratorium basah kanggo ningkatake protokol, lan bisa nduweni implikasi kanggo biosekuriti sing kita evaluasi lan kita mitigasi liwat Kerangka Kesiapsiagaan⁠. Kita nduwèni komitmen kanggo mbangun⁠ pangayoman sing perlu lan rinci ing tingkat model lan sistem kanggo nyuda risiko iki, uga ngembangaké evaluasi kanggo nglacak tingkat saiki.

Kita matur nuwun banget marang para mitra kita ing Ginkgo Bioworks lan tim-tim sing mbantu ngrancang, nglakokaké, lan ndhukung laboratorium cloud otomatis ing balik karya iki.