GPT‑5 ამცირებს უჯრედგარე ცილის სინთეზის თვითღირებულებას
Ginkgo Bioworks-თან თანამშრომლობით, ჩვენ შევქმენით AI-ზე დაფუძნებული ავტონომიური ლაბორატორია და მივაღწიეთ ცილის წარმოების ხარჯის 40%-ით შემცირებას.
ჩვენ ვიხილეთ ხელოვნური ინტელექტის სწრაფი პროგრესი ისეთ სფეროებში, როგორიცაა მათემატიკა და ფიზიკა, სადაც იდეების შეფასება ხშირად შესაძლებელია ფიზიკურ სამყაროსთან შეხების გარეშე. ბიოლოგია განსხვავდება. პროგრესი ლაბორატორიაში მიიღწევა, სადაც მეცნიერები ატარებენ ექსპერიმენტებს, რომლებიც დროსა და ფულს მოითხოვს.
ეს რეალობა უკვე იცვლება. მოწინავე მოდელებს ახლა შეუძლიათ პირდაპირ დაუკავშირდნენ ლაბორატორიულ ავტომატიზაციას, შემოგთავაზონ ექსპერიმენტები, ჩაატარონ ისინი ფართო მასშტაბით, ისწავლონ შედეგებიდან და გადაწყვიტონ, რა გააკეთონ შემდეგ. სიცოცხლის შემსწავლელი მეცნიერებების უდიდეს ნაწილში მთავარი შემაფერხებელი ფაქტორი იტერაციაა, ავტონომიური ლაბორატორიები კი სწორედ ამ შეზღუდვის მოსახსნელად იქმნება.
ადრინდელ ნაშრომში ჩვენ ვაჩვენეთ, რომ GPT‑5‑ს შეეძლო სველი ლაბორატორიის პროტოკოლების გაუმჯობესება დახურული ციკლის ექსპერიმენტირების მეშვეობით. აქ ჩვენ ვაჩვენებთ, რომ იგივე მიდგომას შეუძლია ცილის წარმოების თვითღირებულების შემცირება.
ჩვენ ვითანამშრომლეთ Ginkgo Bioworks(იხსნება ახალ ფანჯარაში) -თან, რათა GPT‑5 დაგვეკავშირებინა ღრუბლოვან ლაბორატორიასთან — ავტომატიზებულ სველ ლაბორატორიასთან, რომელიც დისტანციურად, პროგრამული უზრუნველყოფის საშუალებით იმართება, სადაც რობოტები ატარებენ ექსპერიმენტებს და აბრუნებენ მონაცემებს და გამოვიყენეთ "ლაბორატორია ციკლში“ მოდელი ფართოდ გავრცელებული ბიოლოგიური პროცესის — უუჯრედო ცილის სინთეზის (CFPS) ოპტიმიზაციისთვის. დახურული ციკლის ექსპერიმენტების ექვსი რაუნდის განმავლობაში, სისტემამ გამოსცადა უუჯრედო ცილის სინთეზის (CFPS) 36 000-ზე მეტი უნიკალური რეაქციის შემადგენლობა 580 ავტომატიზებულ ფირფიტაზე. მას შემდეგ, რაც GPT‑5‑ს მიეცა წვდომა კომპიუტერთან, ვებ-ბრაუზერთან და შესაბამის სამეცნიერო ნაშრომებთან, მას მხოლოდ სამი რაუნდი დასჭირდა დაბალბიუჯეტიან CFPS-ში ახალი მსოფლიო სტანდარტის დასამკვიდრებლად. მან მიაღწია ცილის წარმოების თვითღირებულების 40%-იან შემცირებას (და რეაგენტების ხარჯის 57%-იან გაუმჯობესებას), რაც მოიცავდა რეაქციის ისეთ ნოვატორულ შემადგენლობებს, რომლებიც უფრო მდგრადია ავტონომიური ლაბორატორიებისთვის დამახასიათებელი პირობების მიმართ.
უჯრედგარეშე ცილების სინთეზი (CFPS) არის ცილების მიღების მეთოდი ცოცხალი უჯრედების გაზრდის გარეშე. უჯრედებში დნმ-ის შეყვანისა და იმის მოლოდინის ნაცვლად, რომ მათ ცილა წარმოქმნან, CFPS ცილის წარმოების მექანიზმს კონტროლირებად ნარევში ამუშავებს. ეს მას სწრაფი პროტოტიპირებისა და ტესტირების პრაქტიკულ ინსტრუმენტად აქცევს, რადგან მეცნიერებს შეუძლიათ სწრაფად ჩაატარონ მრავალი ექსპერიმენტი და იმავე დღეს გაზომონ შედეგები.
ცილები თანამედროვე ბიოლოგიის პროდუქტების უმნიშვნელოვანესი ნაწილია. ბევრი მნიშვნელოვანი მედიკამენტი ცილებზეა დაფუძნებული. ბევრი დიაგნოსტიკური და კვლევითი ანალიზი დამოკიდებულია ცილებზე. სამრეწველო გარემოში პროტეინები ფერმენტების როლს ასრულებენ, რაც ქიმიურ პროცესებს უფრო სუფთასა და ეფექტიანს ხდის. ცილები თქვენს სარეცხ საშუალებაშიც კი გვხვდება. როდესაც ცილის წარმოება უფრო სწრაფი და იაფი ხდება, მეცნიერებს შეუძლიათ მეტი იდეა უფრო მალე გამოსცადონ და შეამცირონ ხარჯები ადრეული კვლევების იმ პროდუქტად ქცევისთვის, რომლითაც ადამიანები ყოველდღიურად სარგებლობენ.
CFPS უკვე სასარგებლოა ამგვარი იტერაციისთვის. მთავარი შემაფერხებელი ფაქტორი ისაა, რომ ამ პროცესის ოპტიმიზაცია რთულია, ხოლო მასშტაბირება — ძვირადღირებული.
უჯრედგარეშე ცილის სინთეზი მოითხოვს კომპლექსურ, ურთიერთქმედებად ინგრედიენტებს: დნმ-ის შაბლონს, რომელიც აკოდირებს გამოსაშვებ ცილას; უჯრედის ლიზატს (უჯრედის შიგთავსისგან მიღებულ მოლეკულურ „სუპს“) და უამრავ ბიოქიმიურ კომპონენტს, ენერგიის წყაროებიდან დაწყებული, მარილებით დასრულებული. უკიდურესად რთულია სისტემის მთლიანობაში გააზრება, და ბევრმა(იხსნება ახალ ფანჯარაში) წინა(იხსნება ახალ ფანჯარაში) კვლევამ(იხსნება ახალ ფანჯარაში) გამოიყენა მანქანური სწავლების სხვადასხვა ტიპი ცილების წარმოების ხარჯის შესამცირებლად.
უჯრედგარე ცილის სინთეზის (CFPS) სტანდარტული ფორმულები და კომერციული ნაკრებები ხშირად ფასდადებულია ადამიანის სამუშაო ტემპის გათვალისწინებით. ავტონომიურ ლაბორატორიებს შეუძლიათ ათასობით რეაქციის ჩატარება იმ დროში, რაც ადამიანთა გუნდს მხოლოდ რამდენიმე ათეულის შესასრულებლად დასჭირდებოდა. ასეთ მასშტაბზე რეაგენტების ღირებულება შემზღუდველი ფაქტორი ხდება.
CFPS-ის ოპტიმიზაციაც რთულია მხოლოდ ინტუიციით. ეს არის მრავალი ურთიერთქმედი კომპონენტის ნარევი. მცირე ცვლილებებსაც კი დიდი მნიშვნელობა აქვს, თუმცა ეფექტის მიმართულება ყოველთვის აშკარა არ არის; საუკეთესო კომბინაციების პოვნა კი რთულია ექსპერიმენტების დიდი რაოდენობის ჩატარების გარეშე. წინა მიდგომებმა ხარჯები შეამცირა, თუმცა პროგრესი, როგორც წესი, თანდათანობითია, რადგან ამ სივრცის სრულფასოვნად შესწავლა შრომატევადია.
ჩვენ GPT‑5 დავაწყვილეთ Ginkgo Bioworks-ის ღრუბლოვან ლაბორატორიასთან, რათა შეგვექმნა დახურული ციკლის ავტონომიური სისტემა უჯრედგარეშე ცილის სინთეზის (CFPS) ოპტიმიზაციისთვის.
GPT‑5‑მა შეიმუშავა ექსპერიმენტების სერიები. ლაბორატორიამ ისინი შეასრულა. შედეგები მოდელს დაუბრუნდა. მოდელმა გამოიყენა ეს მონაცემები შემდეგი რაუნდის შესათავაზებლად. ჩვენ ეს ციკლი ექვსჯერ გავიმეორეთ.
GPT‑5‑მა დააპროექტა ექსპერიმენტების სერიები სტანდარტულ 384-ფოსოიან ფირფიტის ფორმატში და ისინი Ginkgo Bioworks-ის ღრუბლოვან ლაბორატორიაში ჩაატარა. ექსპერიმენტების დასრულებისთანავე, ღრუბლოვანმა ლაბორატორიამ მონაცემები უკან, GPT‑5‑თან გააგზავნა, სადაც მოდელმა გააანალიზა შედეგები, ჩამოაყალიბა ახალი ჰიპოთეზები და დააპროექტა ექსპერიმენტების შემდეგი რაუნდი.
იმისათვის, რომ ციკლი (loop) რეალობასთან შესაბამისობაში ყოფილიყო, ჩვენ დავამატეთ მკაცრი პროგრამული ვალიდაცია, რომელიც ნებისმიერი ექსპერიმენტის დაწყებამდე სრულდებოდა ამ ვალიდაციამ უზრუნველყო, რომ AI-ის მიერ დაპროექტებული ექსპერიმენტები ფიზიკურად შესრულებადი იყო ავტომატიზაციის პლატფორმაზე. ამან თავიდან აგვაცილა ე.წ. „ქაღალდის ექსპერიმენტები“, რომლებიც ტექსტში დაჯერებულად ჩანს, მაგრამ რობოტიზებულ სამუშაო პროცესში მათი განხორციელება შეუძლებელია.
სრული ციკლის განმავლობაში სისტემამ შეასრულა 36,000-ზე მეტი CFPS რეაქცია 580 ავტომატიზებულ ფირფიტაზე. ეს მასშტაბი მნიშვნელოვანია, რადგან სწორედ ის იძლევა კანონზომიერებების გამოკვეთის საშუალებას. ბიოლოგიაში ცალკეული (ერთჯერადი) ექსპერიმენტები ხასიათდება მაღალი ცდომილებით. სამუშაოს მაღალი გამტარუნარიანობა და მრავალჯერადი იტერაცია სწორედ ის გზაა, რომლითაც ხდება სასარგებლო სიგნალის გამოცალკევება შემთხვევითი ცდომილებისგან. მას შემდეგ, რაც GPT‑5‑ს მიეცა წვდომა შესაბამის სამეცნიერო ნაშრომებსა და ხელსაწყოებზე, მას მხოლოდ სამი რაუნდი და ორი თვე დასჭირდა ახალი საუკეთესო სტანდარტის დასამკვიდრებლად:ცილის წარმოების ღირებულება 40%-ით შემცირდა წინა საუკეთესო საბაზისო მაჩვენებელთან(იხსნება ახალ ფანჯარაში) შედარებით.
Ginkgo Bioworks-ის რეკონფიგურირებადი ავტომატიზაციის ურიკები. ავტორი: Ginkgo Bioworks
ჩვენ აღმოვაჩინეთ, რომ გაუმჯობესებები მიღწეული იყო იმ კომბინაციების იდენტიფიცირებით, რომლებიც ერთმანეთთან კარგად მუშაობს და რომლებიც ინარჩუნებს ეფექტიანობას მაღალი მწარმოებლურობის ავტომატიზაციის რეალურ პირობებში.
ჩვენ აღმოვაჩინეთ, რომ GPT‑5‑მა დაადგინა რეაქციების დაბალბიუჯეტიანი შემადგენლობები, რომლებიც ადამიანებს მანამდე ამ კონფიგურაციით არასდროს გამოუცდიათ. უჯრედგარეშე ცილის სინთეზი (CFPS) წლებია შეისწავლება, თუმცა შესაძლო ნარევების სივრცე კვლავ დიდია. როდესაც შეგიძლიათ ათასობით კომბინაციის სწრაფად შეთავაზება და განხორციელება , შესაძლოა იპოვოთ გამოსადეგი სივრცეები, რომელთა შემჩნევაც ხელით მუშაობისას თითქმის შეუძლებელია.
ჩვენ ასევე აღმოვაჩინეთ, რომ მაღალი გამტარუნარიანობის, ფირფიტებზე დაფუძნებული ექსპერიმენტები ხშირად განსხვავდება ხელით ჩატარებული, სამაგიდო ექსპერიმენტებისგან. ოქსიგენაცია შეიძლება უფრო დაბალი იყოს მაღალი გამტარუნარიანობის რეაქციის ფორმატებში. შერევის დინამიკა და გეომეტრია შეიძლება სრულიად განსხვავებული იყოს. CFPS რეაქციების უმეტესობა გაცილებით მეტ ცილას აწარმოებს სინჯარებში, ვიდრე მიკროტიტრულ ფირფიტებზე, რადგან დიდ მასშტაბებს, როგორც წესი, თან ახლავს ჟანგბადის მეტი ხელმისაწვდომობა და უკეთესი შერევა. ფაქტობრივად, დაბალი მოცულობის ფირფიტებზე დაფუძნებული რეაქციებისთვის, GPT‑5‑მა შემოგვთავაზა მრავალი ისეთი ვარიანტი, რომელმაც აჯობა მანამდე არსებულ საუკეთესო მაჩვენებლებს იმთავითვე, როგორც კი მიეცა წვდომა კომპიუტერზე მონაცემთა ანალიზისთვის და ინტერნეტ-ბრაუზერზე შესაბამისი სამეცნიერო ნაშრომების მოსაძიებლად. მთლიანობაში, GPT‑5‑მაშემოგვთავაზა რეაგენტების მრავალი ისეთი კომბინაცია, რომლებმაც მაღალი გამტარუნარიანობის შეზღუდვების პირობებში კარგი შედეგი აჩვენა, მათ შორის ბევრი ისეთი, რომელიც უფრო მდგრადია დაბალი ჟანგბადის პირობების მიმართ, რაც ხშირია ავტომატიზებულ ლაბორატორიებში.
გარდა ამისა, ჩვენ აღმოვაჩინეთ, რომ ბუფერული სისტემის, ენერგიის რეგენერაციის კომპონენტებისა და პოლიამინების მცირე ცვლილებებს მათ თვითღირებულებასთან შედარებით არაპროპორციულად დიდი გავლენა ჰქონდა. ეს ყოველთვის არ არის ის პირველი პარამეტრები, რომლებსაც ადამიანები მიმართავენ, მაგრამ მაღალი გამტარუნარიანობის პირობებში ისინი ხდება შესამოწმებელი ჰიპოთეზები და არა უბრალო ფონური დაშვებები.
საბოლოოდ, თავად ხარჯების სტრუქტურამ განსაზღვრა ის, რაც მნიშვნელოვანი იყო. CFPS-ში ხარჯების ძირითადი წილი ახლა ლიზატსა და დნმ-ზე მოდის. ეს ნიშნავს, რომ გამოსავლიანობა ყველაზე მაღალი ეფექტურობის მქონე სტრატეგიაა. თუ შეძლებთ ცილის გამოსავლის გაზრდას ძვირადღირებული რესურსის ერთეულზე,თქვენ მიაღწევთ მნიშვნელოვან პროგრესს ხარჯების შემცირებაში, ჯერ კიდევ იქამდე, სანამ დაიწყებთ დაზოგების დამატებითი შესაძლებლობების ძიებას სხვა სფეროებში.
ავტონომიური ექსპერიმენტირების ექვსი რაუნდის განმავლობაში სისტემამ თანმიმდევრულად გააუმჯობესა უჯრედგარეშე ცილის სინთეზი, შეამცირა ხარჯები და ამავდროულად გაზარდა ცილის გამოსავლიანობა. შედეგები წარმოდგენილია როგორც რეაქციის ღირებულებისა და ცილის ტიტრის თანაფარდობა თითოეული რაუნდისთვის, სადაც საუკეთესო კომპრომისული ვარიანტები ზღვარს წარმოადგენს. დიდი წერტილებით აღნიშნულია თითოეულ რაუნდში მიღწეული გრამზე ყველაზე დაბალი თვითღირებულება, ხოლო ვარსკვლავით/პუნქტირით ნაჩვენებია წინა საუკეთესო შედეგი 384-ფოსოიან პლატებში (Olsen et al., 2025). ბოლო რაუნდების უფრო დეტალური განხილვა ნათლად აჩვენებს საბოლოო მიღწევებს, ხოლო რაუნდების მიხედვით წარმოდგენილი შეჯამება ასახავს, თუ როგორ მცირდებოდა საუკეთესო თვითღირებულება გრამზე დროთა განმავლობაში.
ეს შედეგები ნაჩვენები იქნა ერთ ცილაზე, sfGFP-ზე და ერთ უჯრედგარეშე ცილის სინთეზის (CFPS) სისტემაზე. სხვა ცილებზე და სხვა CFPS სისტემებზე ამ შედეგების განზოგადება ჯერ კიდევ დასამტკიცებელია.
ოქსიგენაცია და რეაქციის გეომეტრია შეიძლება ახდენდეს მკვეთრ გავლენას გამოსავლიანობაზე, და ეს ფაქტორები შეიძლება მასშტაბების მიხედვით განსხვავდებოდეს. ზოგიერთი გაუმჯობესება შეიძლება მგრძნობიარე იყოს ამ პირობების მიმართ და ამ მგრძნობელობის გააზრება სწორედ ის არის, რაც შემდეგ ეტაპზე უნდა გაკეთდეს.
პროტოკოლის გაუმჯობესებისა და რეაგენტების დამუშავებისთვის საჭირო იყო ადამიანური კონტროლი. სისტემას შეუძლია ექსპერიმენტების დაპროექტება და ინტერპრეტაცია, თუმცა ლაბორატორიული მუშაობა კვლავ მოითხოვს პრაქტიკულ დეტალებს, რომლებიც გამოცდილ ოპერატორებს საჭიროებს.
ვგეგმავთ ლაბორატორიული ციკლის ოპტიმიზაციის გამოყენებას სხვა ბიოლოგიურ სამუშაო პროცესებში, სადაც უფრო სწრაფ იტერაციას შეუძლია მნიშვნელოვანი პროგრესის უზრუნველყოფა. ჩვენ განვიხილავთ ავტონომიურ ლაბორატორიებს, როგორც მოდელების დამხარე დამატებას. მოდელებს შეუძლიათ დიზაინების გენერირება, მაგრამ საბოლოოდ ბიოლოგია მაინც მოითხოვს ტესტირებასა და იტერაციას. გენერირებასა და ექსპერიმენტირებას შორის ციკლის შეკვრა არის გზა, რომლითაც პერსპექტიული იდეები მუშა შედეგებად იქცევა.
იმ ფონზე, როდესაც ჩვენ ვმუშაობთ სამეცნიერო პროგრესის უსაფრთხო და პასუხისმგებლიან დაჩქარებაზე, ჩვენ ასევე ვცდილობთ შევაფასოთ და შევამციროთ რისკები, განსაკუთრებით ისინი, რომლებიც ბიოუსაფრთხოებას უკავშირდება. ეს შედეგები აჩვენებს, რომ მოდელებს შეუძლიათ ლოგიკური მსჯელობა 'სველ ლაბორატორიაში' პროტოკოლების გასაუმჯობესებლად; ამას შესაძლოა ჰქონდეს გავლენა ბიოუსაფრთხოებაზე, რასაც ჩვენ ვაფასებთ და ვამცირებთ ჩვენი მზადყოფნის ჩარჩო-ს მეშვეობით. ჩვენ ვალდებულნი ვართ, შევქმნათ აუცილებელი და ნიუანსირებული დამცავი მექანიზმები მოდელისა და სისტემის დონეზე, ამ რისკების შესამცირებლად, ასევე შევიმუშაოთ შეფასების მეთოდები არსებული დონეების მუდმივი მონიტორინგისთვის.
ჩვენ მადლიერნი ვართ ჩვენი პარტნიორების Ginkgo Bioworks-იდან და იმ გუნდების, რომლებიც დაგვეხმარნენ ამ ნაშრომის უკან მდგარი ავტომატიზებული ღრუბლოვანი ლაბორატორიის დაპროექტებაში, მართვასა და მხარდაჭერაში.
