AI-ის უნარის გაზომვა, დააჩქაროს ბიოლოგიური კვლევა wet lab-ში
GPT‑5‑მა შექმნა wet lab-ის პროტოკოლის ახალი გაუმჯობესებები და მოლეკულური კლონირების პროტოკოლის ეფექტიანობა 79-ჯერ გაზარდა.
სამეცნიერო პროგრესის დაჩქარება ერთ-ერთი ყველაზე ღირებული გზაა, რომლითაც AI-ს შეუძლია კაცობრიობას სარგებელი მოუტანოს. GPT‑5‑თან ერთად ჩვენ ვიწყებთ ამის ადრეული ნიშნების დანახვას — არა მხოლოდ იმაში, რომ მკვლევრებს ეხმარება სამეცნიერო ლიტერატურაში უფრო სწრაფად გადაადგილებაში, არამედ მეცნიერული მსჯელობის ახალი ფორმების მხარდაჭერაშიც, მაგალითად მოულოდნელი კავშირების აღმოჩენაში, მტკიცების სტრატეგიების შეთავაზებაში ან სარწმუნო მექანიზმების წინადადებაში, რომელთა შეფასება და შემოწმება ექსპერტებს შეუძლიათ.
დღემდე პროგრესი ყველაზე თვალსაჩინო იყო ისეთ სფეროებში, როგორიცაა მათემატიკა, თეორიული ფიზიკა და თეორიული კომპიუტერული მეცნიერება, სადაც იდეების მკაცრი შემოწმება ფიზიკური ექსპერიმენტების გარეშეა შესაძლებელი. ბიოლოგია განსხვავებულია: წინსვლის უმეტესობა დამოკიდებულია ლაბორატორიაში ექსპერიმენტულ შესრულებაზე, იტერაციაზე და ემპირიულ ვალიდაციაზე.
იმის უკეთ გასაგებად, თუ როგორ იქცევიან მოწინავე მოდელები ასეთ გარემოებებში, ჩვენ Red Queen Bio-სთან, ბიოუსაფრთხოების სტარტაპთან, ვითანამშრომლეთ შეფასების ჩარჩოს შესაქმნელად, რომელიც ამოწმებს, როგორ სთავაზობს, აანალიზებს და აუმჯობესებს მოდელი იდეებს wet lab-ში. ჩვენ შევქმენით მოლეკულური ბიოლოგიის მარტივი ექსპერიმენტული სისტემა და GPT‑5‑ს ეფექტიანობისთვის მოლეკულური კლონირების პროტოკოლის ოპტიმიზაცია დავავალეთ.
ექსპერიმენტების მრავალ რაუნდში GPT‑5‑მა შემოიტანა ახალი მექანიზმი, რომელმაც კლონირების ეფექტიანობა 79-ჯერ გააუმჯობესა. კლონირება მოლეკულური ბიოლოგიის ფუნდამენტური ინსტრუმენტია. კლონირების მეთოდების ეფექტიანობა კრიტიკულია დიდი, კომპლექსური ბიბლიოთეკების შესაქმნელად, რომლებიც ცენტრალურია ცილების ინჟინერიისთვის(იხსნება ახალ ფანჯარაში), გენეტიკური სკრინინგებისთვის(იხსნება ახალ ფანჯარაში) და ორგანიზმული შტამების ინჟინერიისთვის(იხსნება ახალ ფანჯარაში). ეს პროექტი გვიჩვენებს, როგორ შეუძლია AI-ს ბიოლოგებთან გვერდიგვერდ მუშაობა კვლევის დასაჩქარებლად. ექსპერიმენტული მეთოდების გაუმჯობესება ადამიან მკვლევრებს დაეხმარება უფრო სწრაფად იმუშაონ, შეამცირონ ხარჯები და აღმოჩენები რეალურ გავლენად აქციონ.
რადგან ბიოლოგიურ მსჯელობაში წინსვლას ბიოუსაფრთხოების მნიშვნელობები ახლავს, ეს სამუშაო მკაცრად კონტროლირებად გარემოში ჩავატარეთ — კეთილთვისებიანი ექსპერიმენტული სისტემის გამოყენებით, დავალების მასშტაბის შეზღუდვით და მოდელის ქცევის შეფასებით, რათა ჩვენი ბიოუსაფრთხოების რისკების შეფასებები და მოდელისა და სისტემის დონის დამცავი ზომების განვითარება ინფორმირებული ყოფილიყო, როგორც ეს ჩვენს მზაობის ჩარჩოში(იხსნება ახალ ფანჯარაში) არის აღწერილი.
ამ სისტემაში GPT‑5 ავტონომიურად მსჯელობდა კლონირების პროტოკოლზე, სთავაზობდა ცვლილებებს და ახალი ექსპერიმენტების მონაცემებს იყენებდა, რათა დამატებითი გაუმჯობესებები შეეთავაზებინა. ადამიანის ერთადერთი ჩარევა ის იყო, რომ მეცნიერებს შეცვლილი პროტოკოლი შეესრულებინათ და ექსპერიმენტული მონაცემები აეტვირთათ.
მრავალი რაუნდის განმავლობაში GPT‑5‑მა კლონირების პროცედურის ოპტიმიზაციით ეფექტიანობა 79-ჯერ მეტზე გააუმჯობესა — რაც ნიშნავს, რომ ფიქსირებული რაოდენობის შემავალი DNA-ისთვის საბაზისო პროტოკოლთან შედარებით 79-ჯერ მეტი სეკვენირებით დადასტურებული კლონი მივიღეთ. ყველაზე აღსანიშნავია, რომ მან შემოიტანა ორი ენზიმი, რომლებიც ახალ მექანიზმს ქმნის: რეკომბინაზა RecA E. coli-დან და ფაგ T4 gene 32-ის ერთჯაჭვიან DNA-ზე შემკვრელი ცილა (gp32). ერთად მუშაობისას gp32 ასწორებს და ხლართებს ხსნის თავისუფალ DNA ბოლოებზე, შემდეგ კი RecA თითოეულ ჯაჭვს სწორ წყვილამდე მიჰყავს.
საწყისმა სკრინინგმა და მეორეულმა ექსპერიმენტებმა RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF) და Transformation 7 (T7) გამოავლინა, როგორც შესაბამისად საუკეთესო ენზიმური და ტრანსფორმაციის პროტოკოლები. როგორც RAPF assembly-მ, ისე T7 ტრანსფორმაციამ დამოუკიდებლად გააუმჯობესა კლონირების ეფექტიანობა საბაზისო HiFi რეაქციის კლონირების პროტოკოლთან შედარებით — შესაბამისად 2.6-ჯერ და 36-ჯერ; ხოლო კომბინაციაში მათ შესრულება ჯამურად 79-ჯერ გააუმჯობესეს. ყველა კლონი დადასტურდა სეკვენირებით. (ცდომილების ზოლები: n=3 დამოუკიდებელი ვალიდაციის ექსპერიმენტის SD).
მიუხედავად იმისა, რომ ეს ჯერ ადრეული შედეგებია, ისინი გამამხნევებელია. გაუმჯობესებები სპეციფიკურია იმ კონკრეტული კლონირების სისტემისთვის, რომელიც ჩვენს მოდელურ სისტემაში გამოვიყენეთ, და კვლავაც მოითხოვს ადამიან მეცნიერებს პროტოკოლების მოსამზადებლად და შესასრულებლად. მიუხედავად ამისა, ეს ექსპერიმენტები აჩვენებს, რომ AI სისტემებს შეუძლიათ რეალურ ლაბორატორიულ სამუშაოს მნიშვნელოვნად დაეხმარონ და მომავალში ადამიან მეცნიერებს დააჩქარონ.
საყურადღებოა, რომ AI-ლაბორატორიის ციკლი ფიქსირებული მოთხოვნით და ადამიანის ჩარევის გარეშე მიმდინარეობდა. ამ სტრუქტურამ დაგვანახვა მოდელის უნარი, ადამიანის მითითებებისგან დამოუკიდებლად ჭეშმარიტად ახალი პროტოკოლური ცვლილებები შეეთავაზებინა, თუმცა ამავე დროს სისტემა კვლევის რეჟიმში დატოვა და ახლად აღმოჩენილი იდეების შედეგიანობის მაქსიმიზების უნარი შეუზღუდა. კვლევასა და გამოყენებას შორის უკეთესი დინამიკური ბალანსი, სავარაუდოდ, უფრო დიდ შედეგს მოიტანდა, რადგან როგორც ენზიმურ, ისე ტრანსფორმაციის გაუმჯობესებებს მნიშვნელოვანი სივრცე აქვთ დახვეწისთვის. ველით, რომ დაგეგმვასა და ამოცანის ჰორიზონტზე მსჯელობაში მიღწეული პროგრესი მარტივი ფიქსირებული მოთხოვნების შესაძლებლობას გააუმჯობესებს, რათა მათ როგორც აღმოჩენა, ისე შემდგომი ოპტიმიზაცია მხარი დაუჭირონ.
Gibson assembly(იხსნება ახალ ფანჯარაში) რეაქცია 2009 წელს მისი გამოგონებიდან მოყოლებული კლონირების ერთ-ერთი მთავარი მეთოდია და მოლეკულურ ბიოლოგიაში ფართოდ გამოიყენება. Gibson assembly მოლეკულურ ბიოლოგებს DNA-ის ნაწილების „შეწებების“ საშუალებას აძლევს მათი ბოლოების ხანმოკლე დადნობით, რათა შესაბამისი სეკვენციები ერთ მოლეკულად დაიბეჭდოს. Gibson assembly-ის ერთ-ერთი მთავარი უპირატესობა მისი სიმარტივეა: ყველაფერი ერთ სინჯარაში და ერთ ტემპერატურაზე ხდება. ეს შეზღუდვები ბუნებრივად ტოვებს გაუმჯობესების შესაძლებლობას. გარდა ამისა, შემდეგი თვისებები მას კარგად ამზადებს AI მოდელების უნარის შესაფასებლად, გააუმჯობესონ wet lab ტექნიკები:
- კარგად განსაზღვრული და კონტროლირებადი კომპონენტებით, უჯრედზე დაფუძნებული სისტემისგან განსხვავებით
- აქვს მკაფიო ოპტიმიზაციის ფუნქცია: ტრანსფორმირებადი ცირკულარიზებული DNA, რომელიც ფიქსირებული რაოდენობის ხაზოვანი DNA შესატანებიდან მიიღება
- შედარებით სწრაფი ექსპერიმენტული ციკლები (1-2 დღე)
- მაღალგანზომილებიანი დიზაინის სივრცე, რომლის გასაუმჯობესებლად მექანისტური მსჯელობაა საჭირო: ოპტიმალური ბუფერები, რეაგენტები და ტემპერატურები ურთიერთდამოკიდებულია
ოპტიმიზაციის საწყის წერტილად გამოვიყენეთ HiFi assembly(იხსნება ახალ ფანჯარაში), New England Biolabs-ის მიერ შექმნილი საკუთრების ენზიმურ სისტემას, რომელიც Gibson assembly-ზეა დაფუძნებული. ჩვენ ვიკვლიეთ, შეძლებდა თუ არა AI ინოვაციას და ექსპერიმენტული უკუკავშირიდან სწავლებას მას შემდეგ, რაც ერთსაფეხურიანი და იზოთერმული შეზღუდვები მოიხსნებოდა, და შესაბამისად ამ სცენარში პროტოკოლის გაუმჯობესებების გამოვლენას.
კონკრეტულად, ჩავატარეთ ორნაწილიანი კლონირების რეაქცია მწვანე ფლუორესცენტული ცილის (GFP) გენით და ფართოდ გამოყენებული pUC19 პლაზმიდით — სტანდარტული DNA „მატარებლით“, რომელიც გენების ბაქტერიებში გადასატანად გამოიყენება, რათა მათი კოპირება მოხდეს. მიზანი წარმატებული კოლონიების რაოდენობის გაზრდა იყო.
კლონირების რეაქცია ოპტიმიზაცია გავუკეთეთ წინადადებებზე იტერაციისთვის ევოლუციური ჩარჩოს დანერგვით, რაც მოდელს აძლევდა შესაძლებლობას, წარსული ექსპერიმენტებიდან „ონლაინ“ ესწავლა. თითო რაუნდში GPT‑5 სთავაზობდა 8-10 სხვადასხვა რეაქციის პაკეტს; რეაქციები გვიანდელ რაუნდებზე გადაიტანებოდა, თუ ისინი მოითხოვდა სპეციფიკურ რეაგენტებს, რომლებიც ლაბორატორიას ხელთ არ ჰქონდა. შემდეგ ადამიანმა მეცნიერებმა რეაქციები ჩაატარეს და საწყის სკრინინგში კოლონიების რაოდენობა საბაზისო HiFi Gibson assembly-სთან მიმართებით გაზომეს. წინა რაუნდის საუკეთესო შედეგები შემდეგ რაუნდში გადადიოდა. მნიშვნელოვანია, რომ მოთხოვნა სტანდარტიზებული იყო და ადამიანური ჩარევა, გამარკვეველი კითხვების გარდა, არ ყოფილა, რამაც საშუალება მოგვცა ახალი მექანისტური ხედვები პირდაპირ AI-სთვის მიგვეწერა და არა ადამიანის მითითებისთვის.
ოპტიმიზაციის მთელი სერიიდან საუკეთესო რვა რეაქცია DNA-ის განზავებების უფრო ფართო დიაპაზონში თავიდან გამოვცადეთ და აღმოვაჩინეთ, რომ ბევრმა საწყის სკრინინგთან შედარებით უფრო მცირე ეფექტი აჩვენა; საბოლოოდ, ყველაზე ძლიერი ვალიდირებული კანდიდატი მეხუთე რაუნდის რეაქცია იყო, რომელმაც თავისი საწყისი შედეგი გაიმეორა. ბევრი მაღალი შედეგის მქონე ვარიანტი ლიგაზა-polish ოჯახს მიეკუთვნებოდა, რომელიც, როგორც ჩანს, განსაკუთრებით მგრძნობიარეა კომპეტენტური უჯრედების მდგომარეობის მცირე ვარიაციებისა და/ან რეაქციის შემდგომი DNA დამუშავების მიმართ. რადგან ეს რეაქციები მოკლე HiFi საფეხურს იყენებდა, ვვარაუდობთ, რომ ბევრი პროდუქტი, სავარაუდოდ, E. coli -ში შედიოდა მხოლოდ ერთი შეკრული junction-ით, ხოლო მეორე annealing-ით იყო დაჭერილი, რის გამოც შემდგომი გადარჩენა უჯრედულ რეპარაციულ გზებზე რჩებოდა. ეს ქმნის მაღალ ვარიაბელობას და „ჯეკპოტის“ დინამიკას: მაშინაც კი, თუ უმეტეს შემთხვევაში ამ რეაქციის ვარიანტები უკეთეს შედეგს არ იძლევა, ერთი ძლიერი გამონაკლისი შეიძლება საკმარისი იყოს, რომ ოჯახი შემდეგ რაუნდებში გადავიდეს.
მიუხედავად იმისა, რომ რაუნდების განმავლობაში კლონირების რეაქციის ოპტიმიზაციაზე ვიყავით ფოკუსირებული მისი მექანისტური სირთულის გამო, პარალელურად ტრანსფორმაციის პროცედურაც ერთჯერად „ერთმაგალითიან“ რაუნდში გავაუმჯობესეთ, სადაც მოდელმა ბევრი დამოუკიდებელი ცვლილება შემოგვთავაზა, ხოლო ჩვენ საუკეთესო შედეგის მქონე რეაქცია ავირჩიეთ.
კლონირების ორსაფეხურიანი სამუშაო ნაკადის საწყისი ოპტიმიზაციის სკრინინგები: ენზიმური assembly და ტრანსფორმაცია. (მარცხნივ) ენზიმური assembly-ის იტერაციული ოპტიმიზაცია ხუთი რაუნდის განმავლობაში (სულ 44 რეაქცია). HiFi assembly-ის საბაზისო ვარიანტიდან დაწყებული, GPT‑5‑მა თითო რაუნდში assembly-ის პროტოკოლის 8-10 ვარიანტი შემოგვთავაზა; საუკეთესო შედეგების მონაცემები შემდგომ მოთხოვნებში შეიტანეს. ყოველ რაუნდში ვაჩვენებთ იმ მომენტამდე საუკეთესო რეაქციას (წინა რაუნდების ჩათვლით). (მარჯვნივ) ტრანსფორმაციის პირობების ერთმაგალითიანი ოპტიმიზაცია 13 სხვადასხვა პროტოკოლის ტესტირებით. ორივე ოპტიმიზაციის სკრინინგისთვის მონაცემები წარმოადგენს თითო პირობის ერთეულ გაზომვებს (n=1); საუკეთესო კანდიდატებისთვის განმეორებითი ვალიდაცია ცალკე ჩატარდა.
სტანდარტიზებული მოთხოვნებით და ადამიანის ჩარევის გარეშე GPT5-მა სრული კლონირების ეფექტიანობა 79-ჯერ გააუმჯობესა, რაც ექსპერიმენტულ რეპლიკატებშიც დადასტურდა.
საყურადღებოა, რომ მოდელმა შემოგვთავაზა ახალი ენზიმური პროცედურა, რომელსაც მან RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF-HiFi) უწოდა და რომელიც რეაქციას ორ ახალ ცილას უმატებს: რეკომბინაზა RecA-ს E. coli-დან და ფაგ T4 gene 32-ის ერთჯაჭვიან DNA-ზე შემკვრელ ცილას (gp32). გარდა ამისა, მოდელმა მიზანმიმართული ცვლილებები შეიტანა ინკუბაციის ტემპერატურასა და დროში, ასევე ენზიმების დამატების დროში: მან შემოგვთავაზა RecA-სა და gp32-ის დამატება საწყისი 50°C HiFi რეაქციის შემდეგ, ამ ცილებისთვის 37°C-ზე მოქმედების მიცემა და შემდეგ assembly-ის დასასრულებლად კვლავ 50°C-ზე დაბრუნება. ერთად ამ ახალმა ცვლილებებმა ეფექტიანობა 2.5-ჯერ მეტით გაზარდა. უნდა აღინიშნოს, რომ ეს წარმოადგენს საწყის შედეგს რეაქციის პირობებისა და დროის იტერაციული ოპტიმიზაციის გარეშე.
ტრანსფორმაციის მხრივ, ყველაზე ეფექტიანი ცვლილება მოულოდნელად მარტივი აღმოჩნდა: უჯრედების ნალექად ჩამოყრა (ცენტრიფუგაში დატრიალებით ისე, რომ სინჯარის ფსკერზე დაგროვდნენ), მიწოდებული მოცულობის ნახევრის მოცილება და DNA-ის დამატებამდე უჯრედების ხელახლა შეჩერება, ყველაფერი 4°C-ზე. მაშინ როცა მაღალი ეფექტიანობის მქონე ქიმიურად კომპეტენტური უჯრედები, როგორც წესი, მყიფედ ითვლება, უჯრედებმა კონცენტრაცია კარგად აიტანა და მოლეკულური შეჯახებების ზრდამ ტრანსფორმაციის ეფექტიანობა მნიშვნელოვნად გაზარდა (>30-ჯერ საბოლოო ვალიდაციაში).
T5 exonuclease ქმნის 3′ overhang-ებს, რომლებსაც gp32 მეორეული სტრუქტურის ჩახშობით ასტაბილურებს. შემდეგ RecA 3′ ბოლოებიდან იჭრება, ანაცვლებს gp32-ს და ხელს უწყობს ჰომოლოგიის ძიებასა და annealing-ს. 50 °C-მდე გაცხელება ორივე ცილას აშორებს, რაც polymerase-ის მიერ gap fill-სა და ligation-ს შესაძლებელს ხდის.
Gibson assembly მუშაობს იმით, რომ DNA-ის ნაწილებს შესაბამის „წებოვან“ ბოლოებს აძლევს, რათა ერთმანეთს იპოვონ და შეერთდნენ. რეაქცია ორი განსხვავებული ენზიმის (polymerase და ligase) გამოყენებით აერთებს ამ ნაწილებს. RAPF-HiFi-ში შესაბამისობის ეტაპის უკეთ მუშაობისთვის ორი ცილა შემოიტანეს. პირველი, gp32, სავარცხელივით მოქმედებს და თავისუფალ DNA ბოლოებს ასწორებს და ხლართებს ხსნის. მეორე, RecA, გზამკვლევივით მოქმედებს: თითოეული ჯაჭვისთვის სწორ პარტნიორს ეძებს და შესაბამის ნაწილებს ერთმანეთთან აერთიანებს. უფრო მაღალი ტემპერატურა ორივე დამხმარეს DNA-დან აშორებს, რაც ჩვეულებრივ Gibson ენზიმებს რეაქციის დასრულების საშუალებას აძლევს.
მოკლედ, ვვარაუდობთ, რომ გაუმჯობესებული შედეგი შემდეგი მექანიზმითაა განპირობებული:
- Gp32 ფარავს არადაანილებულ ერთჯაჭვიან DNA (ssDNA) კუდებს და მეორეულ სტრუქტურას აშორებს
- RecA, რომელსაც სტრუქტურა ჩვეულებრივ აფერხებს, 3’-დან იჭრება და gp32-ის ფილამენტს ანაცვლებს
- RecA წარმართავს ssDNA:ssDNA ჰომოლოგიის ძიებას(იხსნება ახალ ფანჯარაში) და annealing-ს ამოძრავებს
- 50°C-ზე დაბრუნება როგორც recA-ის, ისე gp32-ის ფილამენტებს აშორებს, რაც polymerase-სა და ligase-ს რეაქციის დასრულების საშუალებას აძლევს.
იმის შესამოწმებლად, ფუნქციური იყო თუ არა ახალი ენზიმები და იმის გამოსარიცხად, რომ შედეგის გაუმჯობესება მხოლოდ თერმული საფეხურების ან ბუფერების ცვლილებებით არის გამოწვეული, RAPF-HiFi გამოვცადეთ RecA-ის გარეშე და ასევე RecA-ისა და gp32-ის გარეშე. ორივე რეაქციის შედეგი RAPF-HiFi-სთან შედარებით შემცირდა, რაც მიუთითებს, რომ RAPF-HiFi-ის მოქმედების მექანიზმისთვის ორივე ცილა აუცილებელია.
ძირითადი მექანიზმის შესამოწმებლად რეაქციაში ორ ახალ ენზიმს — RecA-სა და gp32-ს — ცალ-ცალკე გამოვყოფთ. ვაჩვენებთ, რომ თითოეული მათგანი ცალკე ამცირებს ეფექტიანობას HiFi საბაზისო ვარიანტთან შედარებით. ერთად კი ისინი საბაზისო ვარიანტს აჭარბებენ ეფექტიანობის 2.6x ზრდით. (ცდომილების ზოლები: n=3 დამოუკიდებელი ექსპერიმენტის SD)
RAPF-HiFi-ის განვითარება მიუთითებს, რომ GPT‑5‑ს კომპლექსური, მრავალგანზომილებიანი მსჯელობა შეუძლია:
- RecA დნმ-ის სტრუქტურით ინჰიბირდება(იხსნება ახალ ფანჯარაში), და საყურადღებოა, რომ მოდელმა ერთდროულად ორი სინერგიული ცვლილება შემოიტანა: დაამატა RecA და მას gp32 შეუხამა, რათა DNA-ის მეორეული სტრუქტურა მოეშორებინა.
- E. coli RecA-ის ბუნებრივი პარტნიორი არის E. coli single-stranded binding protein (SSB). SSB genome-ის რეპლიკაციის, რეკომბინაციისა და რეპარაციის დროს gp32-ის მსგავს როლს ასრულებს. თუმცა, E. coli SSB სპონტანურად საკმარისად სწრაფად არ შორდება DNA-ს, რომ RecA-ის ფილამენტი გაიზარდოს; in vivo RecFOR კომპლექსი SSB ფილამენტზე RecA-ის ნუკლეაციას უწყობს ხელს(იხსნება ახალ ფანჯარაში). SSB სტაბილური ტეტრამერის სახით ებმის და აქვს ძალიან ნელი off-rate-ები(იხსნება ახალ ფანჯარაში). ამის საპირისპიროდ, gp32-ის ფილამენტი უფრო დინამიკურია(იხსნება ახალ ფანჯარაში), რაც RecA-ის მიერ მის ჩანაცვლებას შესაძლებელს ხდის.
ჩვენი ცოდნით, RecA და gp32 მოლეკულური ბიოლოგიის მეთოდებში ფუნქციურად ერთად გამოყენებული არ ყოფილა. როგორც ბევრი ახალი მოლეკულური ბიოლოგიის ტექნიკის შემთხვევაში, საფუძვლად არსებული ბიოქიმიური აქტივობები უკვე შესწავლილი იყო, მაგრამ მათი პრაქტიკულ, განზოგადებად მეთოდად გამოყენება სწორედ ეს პროგრესია.
მაგალითად, RecA-სა და gp32-ის ურთიერთქმედება შესწავლილია მექანისტურ in vitro რეკონსტიტუციის ანალიზებში: D loop-ის ფორმირების კვლევებში ნაჩვენები იყო, რომ gp32-ს შეუძლია(იხსნება ახალ ფანჯარაში) RecA-ის აქტივობის გაძლიერება. Gp32 გამოყენებულია თავის ბუნებრივ T4 რეკომბინაზულ პარტნიორ UvsX-თან და რეკომბინაზის ჩამტვირთავ ფაქტორ uvsY-თან ერთად რეკომბინაზა polymerase amplification-ში (RPA(იხსნება ახალ ფანჯარაში)). მიუხედავად იმისა, რომ RPA-ის საპატენტო აღწერილობაში აღნიშნულია(იხსნება ახალ ფანჯარაში), რომ ეფექტიანი RPA რეაქციები ნაჩვენებია E. coli RecA-ის გამოყენებით ჰეტეროლოგიურ სისტემაში დაზიანებულ (ანუ ინჟინერიულ, არაველურ-ტიპის) gp32 ცილასთან ერთად, ეს მტკიცება მხოლოდ გვერდით შენიშვნად ჩანს ზოგიერთ საპატენტო დოკუმენტში და, ჩვენი ცოდნით, არც გამოქვეყნებული მონაცემებით არის გამყარებული და არც ძლიერი RecA-ზე დაფუძნებული RPA სისტემის სახითაა დამკვიდრებული. ერთ-ერთი კლონირების მეთოდი, სახელად SLiCE(იხსნება ახალ ფანჯარაში), იყენებს E. coli-ის მთლიანი უჯრედული ექსტრაქტს, რომელიც λ Red რეკომბინაციის სისტემას შეიცავს, სადაც Red beta შეიძლება ორმაგ როლს ასრულებდეს, როგორც DNA-ზე შემკვრელი ცილა და რეკომბინაზა (თუმცა ჩვენ მოთხოვნაში პირდაპირ ავკრძალეთ უჯრედული ექსტრაქტების გამოყენება). სხვა გამოყენებაში Ferrin & Camerini-Otero(იხსნება ახალ ფანჯარაში)-მ მხოლოდ RecA გამოიყენა შესაბამისი სეკვენციების საფუძველზე DNA მოლეკულების შერჩევითი დასაჭერად. ცალკე, gp32 გამოიყენებოდა, როგორც დანამატი(იხსნება ახალ ფანჯარაში) DNA-ის ამპლიფიკაციის პროცესში, სახელად PCR, მეორეული სტრუქტურის შესამცირებლად. ნაჩვენები იყო, რომ NABSA amplification(იხსნება ახალ ფანჯარაში) ძლიერდებოდა როგორც RecA-ით, ისე gp32-ით, თუმცა თითოეულს რეაქციის გაძლიერება ცალ-ცალკეც შეეძლო და სინერგია არ გამოვლენილა. უფრო ფართოდ, Gibson-სტილის საბაზისო DNA assembly რეაქციების გაუმჯობესება იშვიათი იყო; ყველაზე გამორჩეული მაგალითია თბოსტაბილური DNA-ზე შემკვრელი ცილა (ET SSB), რომელიც assembly-ის ეფექტიანობას დაახლოებით 2.5-ჯერ აუმჯობესებს(იხსნება ახალ ფანჯარაში).
უმეტეს გამოყენებებში არ ველით, რომ RAPF-HiFi სიმარტივითა და საიმედოობით HiFi/Gibson კლონირებას გაუწევს კონკურენციას. თუმცა, მექანიკურად განსხვავებული assembly გზის წარმოშობა აღსანიშნავია: GPT‑5 მივიდა გადაწყვეტამდე, რომელიც რეკომბინაციული ცილებისა და რეაქციის დინამიკის უცნობ კომბინაციას აერთიანებს. ძირითადი მექანიზმი შეიძლება მოდულური აღმოჩნდეს და სხვა მოლეკულურ სამუშაო ნაკადებში ხელახლა გამოსაყენებელი ან რეკომბინირებადი კომპონენტები მოგვცეს. ასევე ვაგრძელებთ RAPF-HiFi-ის გაუმჯობესებების კვლევას. რეაქციის ტემპერატურები და ნაბიჯების ხანგრძლივობა შეიძლება დარეგულირდეს ისე, რომ RecA-ისა და gp32-ის აქტივობა exonuclease-ის ზედმეტ მონელებას დაბალანსდეს, ხოლო ორივე ცილის რაოდენობა ჯერ კიდევ ოპტიმიზაციას საჭიროებს. GPT‑5‑მა ასევე შემოგვთავაზა ჰიპერაქტიური RecA ვარიანტი, რომელსაც ამჟამად ვწმენდთ.
ტრანსფორმაციის პროტოკოლის მხრივ, წარმატებული ოპტიმიზაციის პირობები მოიცავდა დანამატებისა და თერმული ზემოქმედებების დიაპაზონს, რომლებიც კომერციული 10-beta competent cells(იხსნება ახალ ფანჯარაში)-ის heat-shock ეფექტიანობის გასაზრდელად იყო განკუთვნილი. გამოცდილი 13 AI-ის მიერ გენერირებული ერთმაგალითიანი ტრანსფორმაციიდან ყველაზე ეფექტიანი ცვლილება, Transformation 7 (T7), უჯრედების ნალექად ჩამოყრას, მიწოდებული მოცულობის ნახევრის მოცილებას და DNA-ის დამატებამდე უჯრედების ხელახლა შეჩერებას მოიცავდა, ყველაფერი 4°C-ზე. მაღალი ეფექტიანობის მქონე ქიმიურად კომპეტენტური უჯრედები, როგორც წესი, მყიფედ ითვლება და მსგავსი მანიპულაციები ჩვეულებრივ თავიდან ირიდება. ამის მიუხედავად, უჯრედებმა კონცენტრაცია კარგად აიტანა. თითო უჯრედზე DNA-ის ზემოქმედების ზრდამ და ნაკლებმა დამაბრკოლებელმა ბუფერმა, რაც უფრო მკვეთრ heat-shock-ს იწვევდა, ტრანსფორმაციის ეფექტიანობა მნიშვნელოვნად გაზარდა (>30-ჯერ).
ეს ტრანსფორმაციის პროტოკოლი ახალია, თუმცა კონცეპტუალურად მსგავსი მიდგომა(იხსნება ახალ ფანჯარაში), სადაც უჯრედები უფრო ადრეულ ეტაპზე კონცენტრირდება, უკვე აღწერილია. აღსანიშნავია, რომ აქ GPT‑5‑ის მიერ შემუშავებული მეთოდი თავსებადია მზადყოფნაში შეძენილ ქიმიურად კომპეტენტურ უჯრედებთან, რაც შიდა პირობებში უჯრედების მომზადების საჭიროებას ხსნის და ამავე დროს მსგავსი მიდგომის მიერ მოხსენებულ ეფექტიანობის ზრდებს მსგავს უჯრედულ შტამებზე აღემატება.
ამ მოდელური ექსპერიმენტული სისტემის მწარმოებლურობის გასაზრდელად Robot on Rails-მა და Red Queen Bio-მ ითანამშრომლეს რობოტული სისტემის ასაგებად, რომელიც ბუნებრივ ენაზე დაწერილ კლონირების პროტოკოლს იღებს და wet lab-ში ასრულებს.
სისტემა სამ კომპონენტს აერთიანებს: 1) ადამიანი-რობოტის LLM, რომელიც ჩვეულებრივ ინგლისურს რობოტის ქმედებებად გარდაქმნის; 2) ხედვის სისტემა, რომელიც რეალურ დროში ლაბორატორიულ ინვენტარს ამოიცნობს და ლოკალიზებას ახდენს; და 3) რობოტული მარშრუტის დამგეგმავი, რომელიც განსაზღვრავს, როგორ შესრულდეს თითოეული მოქმედება უსაფრთხოდ და ზუსტად. შედეგად მივიღეთ მოქნილი, განზოგადებული ლაბორატორიული რობოტი, რომელიც შემდეგ Gibson კლონირების პროტოკოლის ვარიანტებისთვის დამატებით ოპტიმიზირდა.
შევამოწმეთ, შეეძლო თუ არა ავტონომიურ რობოტს სრული კლონირების ექსპერიმენტის შესრულება, ერთდროულად ორი პროტოკოლის გაშვებით: სტანდარტული HiFi მეთოდი და R8 — პირველი ოპტიმიზაციის რაუნდის საუკეთესო შედეგის მქონე AI-შეცვლილი პროტოკოლი.
ყოველ ეტაპზე რობოტის მუშაობა ადამიანის მიერ შესრულებულ ექსპერიმენტებს შევადარეთ. რობოტმა წარმატებით გაუმკლავდა ტრანსფორმაციის პროცესს, რომელიც მრავალფეროვან ფიზიკურ მოქმედებებს მოითხოვდა: სითხეების გადატანას და შერევას, ნიმუშების სინჯარების გადაადგილებას, უჯრედებზე კონტროლირებადი სითბოს ზემოქმედებას და უჯრედების ზრდის ფირფიტებზე გადატანას. ადამიანების მიერ შესრულებულ ტრანსფორმაციებთან პირდაპირი შედარებისას, რობოტმა მსგავსი ხარისხის მონაცემები შექმნა და საბაზისო დონესთან შედარებით ეკვივალენტური გაუმჯობესებები აჩვენა, რაც ბიოლოგიური ექსპერიმენტების ოპტიმიზაციის ავტომატიზებისა და დაჩქარების ადრეულ პოტენციალს მიუთითებს.
მიუხედავად იმისა, რომ რობოტისა და ადამიანის ექსპერიმენტებში fold-change-ები მსგავსი იყო, რობოტის მიერ მიღებული კოლონიების აბსოლუტური რაოდენობა ხელით შესრულებასთან შედარებით დაახლოებით ათჯერ ნაკლები იყო, რაც გაუმჯობესების მიმართულებებს აჩვენებს, როგორიცაა სითხეების დამუშავების სიზუსტე, ტემპერატურის კონტროლის კალიბრაცია და უჯრედების ხელით დამუშავების ნიუანსების გამეორება.
როგორც სტანდარტული HiFi მეთოდი (საბაზისო), ისე გაუმჯობესებული R8 მეთოდი შესრულდა როგორც ადამიანმა მკვლევრებმა, ასევე ავტონომიურმა რობოტმა, ტრანსფორმაციის ეფექტიანობა კი ნორმალიზდა შესაბამის HiFi საბაზისო კონტროლებთან მიმართებით (დაყენებული 1.0-ზე). ადამიანის მიერ შესრულებულმა R8-მა აჩვენა 2.39-ჯერ გაუმჯობესება; რობოტის მიერ შესრულებულმა R8-მა მიაღწია 2.13-ჯერ გაუმჯობესებას (ადამიანის შედეგის 89%), რაც აჩვენებს პროტოკოლების შედარებით მსგავს რანჟირებას დაბალი აბსოლუტური გამოსავლიანობის მიუხედავად.
გვჯერა, რომ ეს ექსპერიმენტები გვაჩვენებს, როგორი იქნება AI-ით დაჩქარებული მომავლის მეცნიერება: მოდელები, რომლებიც განუწყვეტლივ სწავლობენ და რეალურ სამყაროსთან ურთიერთობენ. მიუხედავად იმისა, რომ ჩვენმა ექსპერიმენტებმა ადამიანის ჩარევა გამორიცხა, რათა მხოლოდ მოდელის შესაძლებლობები გაგვეზომა, განსაკუთრებით გვახარებს AI-ის დახმარება ადამიან მეცნიერებს ექსპერიმენტების დაგეგმვასა და კვლევით გარღვევებში წვლილის შეტანაში.
რადგან ვმუშაობთ სამეცნიერო პროგრესის უსაფრთხოდ და პასუხისმგებლობით დასაჩქარებლად, ასევე ვცდილობთ შევაფასოთ და შევამციროთ რისკები, განსაკუთრებით ბიოუსაფრთხოებასთან დაკავშირებული. ეს შეფასების შედეგები აჩვენებს, რომ მოდელებს შეუძლიათ wet lab-ში მსჯელობა პროტოკოლების გასაუმჯობესებლად და შეიძლება ჰქონდეს ბიოუსაფრთხოების მნიშვნელობები, როგორც ეს ჩვენს მზაობის ჩარჩოში(იხსნება ახალ ფანჯარაში) არის აღწერილი. ჩვენ ვალდებულნი ვართ შევქმნათ საჭირო და ნიუანსური დამცავი მექანიზმები როგორც მოდელის, ისე სისტემის დონეზე ამ რისკების შესამცირებლად, ასევე შევიმუშაოთ შეფასებები მიმდინარე დონეების სათვალთვალოდ.
