AI ಯ ವೆಟ್ ಲ್ಯಾಬ್‌ನಲ್ಲಿ ಜೈವಿಕ ಸಂಶೋಧನೆಯನ್ನು ವೇಗಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಅಳೆಯುವುದು

ವೈಜ್ಞಾನಿಕ ಪ್ರಗತಿಯನ್ನು ವೇಗಗೊಳಿಸುವುದು ಮಾನವೀಯತೆಗೆ AI ನೀಡಬಹುದಾದ ಅತ್ಯಂತ ಮೌಲ್ಯಯುತ ಮಾರ್ಗಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. GPT‑5 ನೊಂದಿಗೆ, ನಾವು ಆರಂಭಿಕ ಲಕ್ಷಣಗಳನ್ನು⁠ ನೋಡಲು ಪ್ರಾರಂಭಿಸುತ್ತಿದ್ದೇವೆ—ಇದು ಸಂಶೋಧಕರಿಗೆ ವೈಜ್ಞಾನಿಕ ಸಾಹಿತ್ಯದ ಮೂಲಕ ವೇಗವಾಗಿ ಸಾಗಲು ಸಹಾಯ ಮಾಡುವುದು ಮಾತ್ರವಲ್ಲ, ಅನಿರೀಕ್ಷಿತ ಸಂಪರ್ಕಗಳನ್ನು ಹೊರತರುವ, ಸಾಬೀತು ತಂತ್ರಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುವ ಅಥವಾ ತಜ್ಞರು ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಪರೀಕ್ಷೆ ನಡೆಸಬಹುದಾದ ನಂಬಬಹುದಾದ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಸೂಚಿಸುವಂತಹ ಹೊಸ ವೈಜ್ಞಾನಿಕ ಚಿಂತನೆಯ ರೂಪಗಳನ್ನು ಬೆಂಬಲಿಸುವುದರಲ್ಲಿ ಸಹ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಇಲ್ಲಿಯವರೆಗೆ ಗಣಿತ, ಸೈದ್ಧಾಂತಿಕ ಭೌತಶಾಸ್ತ್ರ, ಮತ್ತು ಸೈದ್ಧಾಂತಿಕ ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಪ್ರಗತಿ ಅತ್ಯಂತ ಸ್ಪಷ್ಟವಾಗಿದೆ, ಅಲ್ಲಿ ಆಲೋಚನೆಗಳನ್ನು ಭೌತಿಕ ಪ್ರಯೋಗಗಳಿಲ್ಲದೆ ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಪರಿಶೀಲಿಸಬಹುದು. ಜೀವಶಾಸ್ತ್ರ ವಿಭಿನ್ನವಾಗಿದೆ: ಹೆಚ್ಚಿನ ಪ್ರಗತಿಗಳು ಪ್ರಯೋಗಾತ್ಮಕ ಕಾರ್ಯಕ್ಷಮತೆ, ಪುನರಾವರ್ತನೆ, ಮತ್ತು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಅನುಭವಾತ್ಮಕ ಮೌಲ್ಯೀಕರಣದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತವೆ.

ಈ ಪರಿಸರಗಳಲ್ಲಿ ಫ್ರಂಟಿಯರ್ ಮಾಡೆಲ್‌ಗಳು ಹೇಗೆ ವರ್ತಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ನಾವು Red Queen Bio ಎಂಬ ಬಯೋಸಿಕ್ಯುರಿಟಿ ಸ್ಟಾರ್ಟ್-ಅಪ್‌ನೊಂದಿಗೆ, ಮಾಡೆಲ್‌ಗಳು ವೆಟ್ ಲ್ಯಾಬ್‌ಗಳಲ್ಲಿ ಯೋಚನೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುವ, ವಿಶ್ಲೇಷಿಸುವ ಮತ್ತು ಪುನರಾವರ್ತಿಸುವುದನ್ನು ಪರೀಕ್ಷಿಸುವ ಮೌಲ್ಯಮಾಪನದ ಚಟುವಟಿಕೆ ರೂಪಿಸಲು ಸಹಕರಿಸಿದೆವು. ನಾವು ಸರಳ ಅಣುಜೀವಶಾಸ್ತ್ರ ಪ್ರಯೋಗಾತ್ಮಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಸ್ಥಾಪಿಸಿದ್ದೇವೆ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯಿಗಾಗಿ ಅಣು ಕ್ಲೋನಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಲು GPT‑5 ಅನ್ನು ಬಳಸಿದೆವು.

ಅನೇಕ ಪ್ರಯೋಗಗಳ ಸುತ್ತುಗಳಲ್ಲಿ, GPT‑5 ಹೊಸ ತಂತ್ರವನ್ನು ಪರಿಚಯಿಸಿತು, ಇದು ಕ್ಲೋನಿಂಗ್ ದಕ್ಷತೆಯನ್ನು 79 ಪಟ್ಟು ಹೆಚ್ಚಿಸಿತು. ಕ್ಲೋನಿಂಗ್ ಒಂದು ಮೂಲಭೂತ ಅಣು ಜೀವಶಾಸ್ತ್ರದ ಸಾಧನವಾಗಿದೆ. ಕ್ಲೋನಿಂಗ್ ವಿಧಾನಗಳ ಕಾರ್ಯಕ್ಷಮತೆ ಪ್ರೋಟೀನ್ ಎಂಜಿನಿಯರಿಂಗ್⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ), ಜಿನೆಟಿಕ್ ಸ್ಕ್ರೀನ್ಸ್⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ), ಮತ್ತು ಆರ್ಗಾನಿಸ್ಮಲ್ ಸ್ಟ್ರೈನ್ ಎಂಜಿನಿಯರಿಂಗ್⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಗೆ ಕೇಂದ್ರವಾಗಿರುವ ದೊಡ್ಡ, ಸಂಕೀರ್ಣ ಗ್ರಂಥಾಲಯಗಳನ್ನು ರಚಿಸಲು ಅತ್ಯಂತ ಮುಖ್ಯವಾಗಿದೆ. ಈ ಪ್ರಾಜೆಕ್ಟ್ ಸಂಶೋಧನೆಯನ್ನು ವೇಗಗೊಳಿಸಲು ಜೀವಶಾಸ್ತ್ರಜ್ಞರೊಂದಿಗೆ AI ಪಕ್ಕಪಕ್ಕದಲ್ಲಿ ಹೇಗೆ ಕೆಲಸ ಮಾಡಬಹುದು ಎಂಬುದರ ಒಂದು ನೋಟವನ್ನು ನೀಡುತ್ತದೆ. ಪ್ರಯೋಗಾತ್ಮಕ ವಿಧಾನಗಳನ್ನು ಸುಧಾರಿಸುವುದು ಮಾನವ ಸಂಶೋಧಕರಿಗೆ ವೇಗವಾಗಿ ಮುಂದುವರಿಯಲು, ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ಮತ್ತು ಆವಿಷ್ಕಾರಗಳನ್ನು ನೈಜ ಜಗತ್ತಿನ ಪರಿಣಾಮಕ್ಕೆ ಅನುವಾದಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಜೈವಿಕ ತರ್ಕದಲ್ಲಿ ಪ್ರಗತಿಗಳು ಜೈವಿಕ ಸುರಕ್ಷತಾ ಪರಿಣಾಮಗಳನ್ನು ಹೊಂದಿರುವುದರಿಂದ, ನಾವು ಈ ಕೆಲಸವನ್ನು ಕಠಿಣ ನಿಯಂತ್ರಿತ ಪರಿಸರದಲ್ಲಿ ನಡೆಸಿದ್ದೇವೆ—ನಿಷ್ಕಪಟ ಪ್ರಯೋಗಾತ್ಮಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಬಳಸಿಕೊಂಡು, ಕಾರ್ಯದ ವ್ಯಾಪ್ತಿಯನ್ನು ಮಿತಿಗೊಳಿಸಿ, ಮಾಡೆಲ್ ನಡವಳಿಕೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ. ನಮ್ಮ ಸಿದ್ಧತಾ ಕಾರ್ಯಚೌಕಟ್ಟಿನಲ್ಲಿ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ವಿವರಿಸಿದಂತೆ, ಇದು ನಮ್ಮ ಜೈವಿಕ ಸುರಕ್ಷತಾ ಅಪಾಯ ಮೌಲ್ಯಮಾಪನಗಳಿಗೆ ಮತ್ತು ಮಾಡೆಲ್-ಮತ್ತು ಸಿಸ್ಟಮ್-ಮಟ್ಟದ ಭದ್ರತಾ ಕ್ರಮಗಳ ಅಭಿವೃದ್ಧಿಗೆ ಮಾಹಿತಿ ನೀಡುತ್ತದೆ.

ಈ ಸೆಟ್-ಅಪ್‌ನಲ್ಲಿ, GPT‑5 ಸ್ವಾಯತ್ತವಾಗಿ ತರ್ಕಬದ್ಧವಾಗಿ ಕ್ಲೋನಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್ ಬಗ್ಗೆ ಚಿಂತನೆ ಮಾಡಿತು, ತಿದ್ದುಪಡಿಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು ಮತ್ತು ಹೊಸ ಪ್ರಯೋಗಗಳಿಂದ ಡೇಟಾವನ್ನು ಸೇರಿಸಿ ಹೆಚ್ಚಿನ ಸುಧಾರಣೆಗಳನ್ನು ಸೂಚಿಸಿತು. ವಿಜ್ಞಾನಿಗಳು ಪರಿಷ್ಕೃತ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸಿ ಪ್ರಯೋಗಾತ್ಮಕ ಡೇಟಾವನ್ನು ಅಪ್ಲೋಡ್ ಮಾಡುವುದೊಂದೇ ಮಾನವ ಹಸ್ತಕ್ಷೇಪವಾಗಿತ್ತು.

ಬಹುಸಂಖ್ಯೆಯ ಸುತ್ತುಗಳಲ್ಲಿ, GPT‑5 ಕ್ಲೋನಿಂಗ್ ವಿಧಾನವನ್ನು 79x ಗಿಂತ ಹೆಚ್ಚು ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸಲು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಿತು—ಅಂದರೆ ನಿಗದಿತ ಪ್ರಮಾಣದ ಇನ್‌ಪುಟ್ DNA ಗೆ, ನಾವು ಮೂಲ ಪ್ರೋಟೋಕಾಲ್‌ಗಿಂತ 79x ಹೆಚ್ಚು ಕ್ರಮಪರಿಶೀಲಿತ ಕ್ಲೋನ್‌ಗಳನ್ನು ಪುನಃಪ್ರಾಪ್ತಿಪಡಿಸಿದ್ದೇವೆ. ಅತ್ಯಂತ ಪ್ರಮುಖವಾಗಿ, ಇದು ಎರಡು ಎಂಜೈಮ್‌ಗಳನ್ನು ಪರಿಚಯಿಸಿತು, ಅವು ಹೊಸ ತಂತ್ರವನ್ನು ರೂಪಿಸುತ್ತವೆ: E. coli ನಿಂದ ರಿಕಾಂಬಿನೇಸ್ RecA, ಮತ್ತು ಫೇಜ್ T4 ಜೀನ್ 32 ಏಕ-ಸೂತ್ರದ DNA–ಬೈಂಡಿಂಗ್ ಪ್ರೋಟೀನ್ (gp32). ಏಕ ರೀತಿಯಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತಾ, gp32 ಸಡಿಲವಾದ DNA ತುದಿಗಳನ್ನು ನಯಗೊಳಿಸಿ ಮತ್ತು ಅಸ್ಪಷ್ಟತೆಯನ್ನು ನಿವಾರಿಸುತ್ತದೆ, ನಂತರ RecA ಪ್ರತಿ ತಂತುವನ್ನು ಅದರ ಸರಿಯಾದ ಹೊಂದಾಣಿಕೆಗೆ ಮಾರ್ಗದರ್ಶನ ಮಾಡುತ್ತದೆ.

ಆರಂಭಿಕವಾಗಿದ್ದರೂ, ಈ ಫಲಿತಾಂಶಗಳು ಉತ್ತೇಜನಕಾರಿ. ಈ ಸುಧಾರಣೆಗಳು ನಮ್ಮ ಮಾಡೆಲ್ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಬಳಸುವ ವಿಶೇಷ ಕ್ಲೋನಿಂಗ್ ಸೆಟ್‌ಅಪ್‌ಗೆ ವಿಶೇಷವಾಗಿದ್ದು, ಪ್ರೋಟೋಕಾಲ್‌ಗಳನ್ನು ಸ್ಥಾಪಿಸಲು ಮತ್ತು ನಿರ್ವಹಿಸಲು ಇನ್ನೂ ಮಾನವ ವಿಜ್ಞಾನಿಗಳು ಅಗತ್ಯವಿದ್ದಾರೆ. ಆದರೂ, ಈ ಪ್ರಯೋಗಗಳು AI ವ್ಯವಸ್ಥೆಗಳು ನಿಜವಾದ ಪ್ರಯೋಗಾಲಯದ ಕೆಲಸದಲ್ಲಿ ಅರ್ಥಪೂರ್ಣವಾಗಿ ಸಹಾಯ ಮಾಡಬಹುದು ಮತ್ತು ಭವಿಷ್ಯದಲ್ಲಿ ಮಾನವ ವಿಜ್ಞಾನಿಗಳ ಕಾರ್ಯವನ್ನು ವೇಗಗೊಳಿಸಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತವೆ.

ಗಮನಾರ್ಹವಾಗಿ, AI-ಲ್ಯಾಬ್ ಲೂಪ್ ಅನ್ನು ನಿಶ್ಚಿತ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಮತ್ತು ಯಾವುದೇ ಮಾನವ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆ ನಡೆಸಲಾಯಿತು. ಈ ಸ್ಕಾಫೋಲ್ಡಿಂಗ್ ಮಾಡೆಲ್‌ನ ಸಾಮರ್ಥ್ಯವನ್ನು ಮಾನವ ಮಾರ್ಗದರ್ಶನವಿಲ್ಲದೆ ನಿಜವಾದ ಹೊಸ ಪ್ರೋಟೋಕಾಲ್ ಬದಲಾವಣೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಲು ಬಹಿರಂಗಪಡಿಸಿತು, ಆದರೆ ಇದು ವ್ಯವಸ್ಥೆಯನ್ನು ಅನ್ವೇಷಣೆಗೆ ಸೀಮಿತಗೊಳಿಸಿತು ಮತ್ತು ಹೊಸದಾಗಿ ಕಂಡುಹಿಡಿದ ಕಲ್ಪನೆಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಲು ಅಡ್ಡಿಯಾಗಿತ್ತು. ಅನ್ವೇಷಣೆ ಮತ್ತು ಶೋಷಣೆಯ ನಡುವೆ ಉತ್ತಮ ಗತಿಶೀಲ ಸಮತೋಲನವು ಹೆಚ್ಚಿನ ಲಾಭಗಳನ್ನು ನೀಡಬಹುದು, ಏಕೆಂದರೆ ಎನ್ಜೈಮ್ಯಾಟಿಕ್ ಮತ್ತು ಪರಿವರ್ತನೆ ಸುಧಾರಣೆಗಳಿಗೆ ಪರಿಷ್ಕರಣೆಗಾಗಿ ಸಾಕಷ್ಟು ಅವಕಾಶವಿದೆ. ನಾವು ಯೋಜನೆ ಮತ್ತು ಕಾರ್ಯ-ಹರಿವು ತಾರ್ಕಿಕತೆಯಲ್ಲಿ ಪ್ರಗತಿಯನ್ನು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ, ಇದು ಸರಳ ನಿಶ್ಚಿತ ಪ್ರಾಂಪ್ಟ್‌ಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಮತ್ತು ನಂತರದ ಆಪ್ಟಿಮೈಜೇಶನ್‌ಗೆ ಬೆಂಬಲಿಸಲು ಸುಧಾರಿಸುತ್ತದೆ.

ಗಿಬ್ಸನ್ ಅಸೆಂಬ್ಲಿ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಪ್ರತಿಕ್ರಿಯೆ 2009 ರಲ್ಲಿ ಆವಿಷ್ಕೃತವಾದ ನಂತರದಿಂದ ಪ್ರಾಥಮಿಕ ಕ್ಲೋನಿಂಗ್ ವಿಧಾನವಾಗಿದೆ, ಮತ್ತು ಅಣುಜೈವಿಕಶಾಸ್ತ್ರದಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಅಳವಡಿಸಲಾಗಿದೆ. ಗಿಬ್ಸನ್ ಅಸೆಂಬ್ಲಿ ಅಣುಜೈವಿಕ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಡಿಎನ್‌ಎ ತುಂಡುಗಳನ್ನು "ಅಂಟಿಸಲು" ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಅವುಗಳ ತುದಿಗಳನ್ನು ಸ್ವಲ್ಪ ಹೊತ್ತು ಕರಗಿಸುವ ಮೂಲಕ ಹೊಂದಾಣಿಕೆಯ ಕ್ರಮಗಳನ್ನು ಒಂದೇ ಅಣುವಿನಲ್ಲಿ ಸೀಲ್ ಮಾಡಬಹುದು. ಗಿಬ್ಸನ್ ಅಸೆಂಬ್ಲಿಯ ಒಂದು ಪ್ರಮುಖ ಮನವಿಯು ಅದರ ಸರಳತೆಯಾಗಿದೆ: ಎಲ್ಲವೂ ಒಂದೇ ಟ್ಯೂಬ್‌ನಲ್ಲಿ, ಒಂದೇ ತಾಪಮಾನದಲ್ಲಿ ನಡೆಯುತ್ತದೆ. ಆ ನಿರ್ಬಂಧಗಳು ಸಹಜವಾಗಿ ಸುಧಾರಣೆಗೆ ಅವಕಾಶವನ್ನು ನೀಡುತ್ತವೆ. ಇದಕ್ಕೆ ಹೆಚ್ಚುವರಿಯಾಗಿ, ಕೆಳಗಿನ ಗುಣಲಕ್ಷಣಗಳು AI ಮಾಡೆಲ್‌ಗಳ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವೆಟ್ ಲ್ಯಾಬ್ ತಂತ್ರಗಳನ್ನು ಸುಧಾರಿಸಲು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಸೂಕ್ತವಾಗಿಸುತ್ತವೆ:

• ಕೋಶಾಧಾರಿತ ವ್ಯವಸ್ಥೆಯಲ್ಲದ ನಿಯಂತ್ರಿತ ಘಟಕಗಳೊಂದಿಗೆ ಚೆನ್ನಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ
• ಸ್ಪಷ್ಟವಾದ ಆಪ್ಟಿಮೈಜೆಷನ್ ಕಾರ್ಯ: ನಿಗದಿತ ಪ್ರಮಾಣದ ರೇಖೀಯ DNA ಇನ್‌ಪುಟ್‌ಗಳಿಂದ ತಯಾರಿಸಲಾದ ಪರಿವರ್ತನೀಯ ವಲಯೀಕೃತ DNA
• ಸಾಪೇಕ್ಷವಾಗಿ ವೇಗವಾದ ಪ್ರಯೋಗಾತ್ಮಕ ಆವರ್ತನಗಳು (1-2 ದಿನಗಳು)
• ಯಾಂತ್ರಿಕ ತಾರ್ಕಿಕತೆಯನ್ನು ಸುಧಾರಿಸಲು ಅಗತ್ಯವಿರುವ ಹೆಚ್ಚಿನ-ಆಯಾಮದ ವಿನ್ಯಾಸ ಸ್ಥಳ: ಪರಿಪೂರ್ಣ ಬಫರ್‌ಗಳು, ರಾಸಾಯನಿಕಗಳು, ಮತ್ತು ತಾಪಮಾನಗಳು ಪರಸ್ಪರ ಅವಲಂಬಿತವಾಗಿವೆ

ನಾವು HiFi assembly⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಅನ್ನು ಬಳಸಿದ್ದೇವೆ, ಇದು New England Biolabs ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಮತ್ತು Gibson assembly ಆಧಾರದ ಮೇಲೆ ನಿರ್ಮಿತವಾದ ಸ್ವಂತ ಎನ್ಜೈಮ್ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ, ಮತ್ತು ಇದು ಆಪ್ಟಿಮೈಸೇಶನ್ ಆರಂಭಿಕ ಬಿಂದುವಾಗಿದೆ. ನಾವು ಏಕ ಹಂತ ಮತ್ತು ಸಮತಾಪ ನಿರ್ಬಂಧಗಳನ್ನು ತೆಗೆದುಹಾಕಿದ ನಂತರ AI ನವೀನತೆ ಮತ್ತು ಪ್ರಯೋಗಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ಅನ್ವೇಷಿಸಿ ಕಲಿಯಬಹುದೇ ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇವೆ, ಮತ್ತು ಈ ಸಂದರ್ಭದಲ್ಲಿ ಪ್ರೋಟೋಕಾಲ್ ಸುಧಾರಣೆಗಳನ್ನು ಗುರುತಿಸಬಹುದು.

ವಿಶೇಷವಾಗಿ, ನಾವು ಹಸಿರು ಫ್ಲೊರೆಸೆಂಟ್ ಪ್ರೋಟೀನ್‌ಗಾಗಿ (GFP) ಜೀನ್ ಅನ್ನು ಮತ್ತು ವ್ಯಾಪಕವಾಗಿ ಬಳಸುವ pUC19 ಪ್ಲಾಸ್ಮಿಡ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಎರಡು ಭಾಗಗಳ ಕ್ಲೋನಿಂಗ್ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನಡೆಸಿದೆವು, ಇದು ಬ್ಯಾಕ್ಟೀರಿಯಾದಲ್ಲಿ ಜೀನ್‌ಗಳನ್ನು ನಕಲಿಸಲು ಬಳಸುವ ಮಾನಕ ಡಿಎನ್‌ಎ "ವಾಹಕ"ವಾಗಿದೆ. ಗುರಿಯು ಯಶಸ್ವಿ ಕಾಲೊನಿಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದಾಗಿತ್ತು.

ನಾವು ಪ್ರಸ್ತಾಪಗಳ ಪುನರಾವರ್ತನೆಗಾಗಿ ಕ್ರಾಂತಿಕಾರಕ ಚಟುವಟಿಕೆ ರೂಪವನ್ನು ಪರಿಚಯಿಸುವ ಮೂಲಕ ಕ್ಲೋನಿಂಗ್ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಿದ್ದೇವೆ, ಇದು ಮಾಡೆಲ್‌ಗೆ ಅದರ ಹಳೆಯ ಪ್ರಯೋಗಗಳಿಂದ 'ಆನ್‌ಲೈನ್' ಕಲಿಯಲು ಅನುಮತಿಸುತ್ತದೆ. ಪ್ರತಿ ಸುತ್ತಿನಲ್ಲಿ, GPT‑5 8-10 ವಿಭಿನ್ನ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಗುಚ್ಛವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು. ಲ್ಯಾಬೊರೇಟರಿಯು ತಕ್ಷಣ ಲಭ್ಯವಿಲ್ಲದ ಕಸ್ಟಮ್ ರಿಯಾಜೆಂಟ್‌ಗಳನ್ನು ಅಗತ್ಯವಿದ್ದರೆ, ಆ ಪ್ರತಿಕ್ರಿಯೆಗಳು ನಂತರದ ಸುತ್ತುಗಳಿಗೆ ತಳ್ಳಲ್ಪಟ್ಟವು. ಮಾನವ ವಿಜ್ಞಾನಿಗಳು ನಂತರ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಡೆಸಿ, ಪ್ರಾರಂಭಿಕ ಪರದೆಯಲ್ಲಿನ ಹೈಫೈ ಗಿಬ್ಸನ್ ಅಸೆಂಬ್ಲಿಯೊಂದಿಗೆ ಹೋಲಿಸಿದಾಗ ಕಾಲೋನಿ ಎಣಿಕೆಗಳನ್ನು ಅಳೆದರು. ಹಿಂದಿನ ಸುತ್ತಿನಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದ ಡೇಟಾವನ್ನು ನಂತರ ಮುಂದಿನ ಸುತ್ತಿಗೆ ನೀಡಲಾಯಿತು. ಮುಖ್ಯವಾಗಿ, ಸ್ಪಷ್ಟೀಕರಣ ಪ್ರಶ್ನೆಗಳನ್ನು ಹೊರತುಪಡಿಸಿ ಯಾವುದೇ ಮಾನವ ಇನ್‌ಪುಟ್ ಇಲ್ಲದೆ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಅನ್ನು ಮಾನಕಗೊಳಿಸಲಾಯಿತು, ಇದರಿಂದಾಗಿ ನಾವು ಹೊಸ ಯಾಂತ್ರಿಕ ಒಳನೋಟಗಳನ್ನು ಮಾನವ ಮಾರ್ಗದರ್ಶನಕ್ಕಿಂತ ನೇರವಾಗಿ AI ಗೆ ಹಂಚಬಹುದು. 

ನಾವು ಡಿಎನ್‌ಎ ಡಿಲ್ಯೂಷನ್‌ಗಳ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಪೂರ್ಣ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸರಣಿಯಿಂದ ಟಾಪ್ ಎಂಟು ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಪುನಃ ಪರೀಕ್ಷಿಸಿದ್ದೇವೆ ಮತ್ತು ಅನೇಕವು ಪ್ರಾರಂಭಿಕ ಪರದೆಗಿಂತ ಚಿಕ್ಕ ಪರಿಣಾಮಗಳನ್ನು ತೋರಿಸಿದವು ಎಂದು ಕಂಡುಹಿಡಿದಿದ್ದೇವೆ; ಅಂತಿಮವಾಗಿ, ಅತ್ಯಂತ ಶಕ್ತಿಯುತವಾಗಿ ಮಾನ್ಯಗೊಂಡ ಅಭ್ಯರ್ಥಿ ರೌಂಡ್-5 ನಿಂದಲಾದ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿದ್ದು, ಅದರ ಮೂಲ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪುನರಾವರ್ತಿಸಿತು. ಅನೇಕ ಉನ್ನತ ಕಾರ್ಯಕ್ಷಮತೆಯವರು ಲಿಗೇಸ್-ಪಾಲಿಷ್ ಕುಟುಂಬಕ್ಕೆ ಸೇರಿದ್ದವು, ಇದು ವಿಶೇಷವಾಗಿ ಸಮರ್ಥ ಕೋಶ ಸ್ಥಿತಿ ಮತ್ತು/ಅಥವಾ ಪ್ರತಿಕ್ರಿಯೆಯ ನಂತರದ ಡಿಎನ್‌ಎ ಹ್ಯಾಂಡ್ಲಿಂಗ್‌ನಲ್ಲಿ ಸಣ್ಣ ಬದಲಾವಣೆಗಳಿಗೆ ಅತಿಸಂವೇದನಾಶೀಲವಾಗಿದೆ. ಈ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಕಿರು ಹೈಫೈ ಹಂತವನ್ನು ಬಳಸಿದ ಕಾರಣ, ಅನೇಕ ಉತ್ಪನ್ನಗಳು E. coli ಗೆ ಪ್ರವೇಶಿಸುವಾಗ ಒಂದು ಜಂಕ್ಷನ್ ಮಾತ್ರ ಮುಚ್ಚಲ್ಪಟ್ಟಿರಬಹುದು ಮತ್ತು ಇನ್ನೊಂದು ಅನೆಲಿಂಗ್ ಮೂಲಕ ಹಿಡಿದಿರಬಹುದು ಎಂದು ನಾವು ಊಹಿಸುತ್ತೇವೆ, ಇದರಿಂದ ಕೆಳಗಿನ ರಕ್ಷಣೆಯನ್ನು ಸೆಲ್ಲುಲರ್ ರಿಪೇರ್ ಮಾರ್ಗಗಳಿಗೆ ಬಿಟ್ಟಿರುತ್ತದೆ. ಇದು ಹೆಚ್ಚಿನ ವೈವಿಧ್ಯತೆಯನ್ನು ಮತ್ತು 'ಜ್ಯಾಕ್ಪಾಟ್' ಡೈನಾಮಿಕ್ ಅನ್ನು ರಚಿಸುತ್ತದೆ: ಈ ಪ್ರತಿಕ್ರಿಯೆಯ ಬಹುತೇಕ ರೂಪಾಂತರಗಳು ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡದಿದ್ದರೂ, ಒಂದು ಬಲವಾದ ಹೊರಗಿನ ಅಂಶವು ಕುಟುಂಬವನ್ನು ಮುಂದಿನ ಸುತ್ತುಗಳಿಗೆ ಕೊಂಡೊಯ್ಯಬಹುದು. 

ನಾವು ಕ್ಲೋನಿಂಗ್ ಪ್ರತಿಕ್ರಿಯೆಯ ಮೆಕಾನಿಸ್ಟಿಕ್ ಸಂಕೀರ್ಣತೆಯ ಕಾರಣದಿಂದ ಸುತ್ತುಗಳಲ್ಲಿ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮೇಲೆ ಗಮನಹರಿಸುತ್ತಿದ್ದಾಗ, ನಾವು ಸಮಾಂತರವಾಗಿ "ಒಂದು-ಶಾಟ್" ಸುತ್ತನ್ನು ಬಳಸಿಕೊಂಡು ಪರಿವರ್ತನೆ ವಿಧಾನವನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಿದೆವು, ಅಲ್ಲಿ ಮಾಡೆಲ್ ಅನೇಕ ಸ್ವತಂತ್ರ ಬದಲಾವಣೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು, ಮತ್ತು ನಾವು ಅತ್ಯುತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿದೆವು.

ಮಾನವ ಇನ್‌ಪುಟ್ ಇಲ್ಲದೆ ಪ್ರಮಾಣಿತಗೊಳಿಸಿದ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಬಳಸುವುದರಿಂದ, GPT5 ಅಂತ್ಯದಿಂದ ಅಂತ್ಯಕ್ಕೆ ಕ್ಲೋನಿಂಗ್ ದಕ್ಷತೆಯನ್ನು 79 ಪಟ್ಟು ಸುಧಾರಿಸಿತು, ಇದು ಪ್ರಯೋಗಾತ್ಮಕ ಪುನರಾವೃತ್ತಿಗಳಲ್ಲಿ ದೃಢೀಕರಿಸಲಾಯಿತು.

ಗಮನಾರ್ಹವಾಗಿ, ಮಾಡೆಲ್ ಹೊಸ ಎನ್ಜೈಮ್ಯಾಟಿಕ್ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು, ಇದನ್ನು ಮಾಡೆಲ್ RecA-ಅಸಿಸ್ಟೆಡ್ ಪೇರ್-ಅಂಡ್-ಫಿನಿಷ್ ಹೈಫೈ ಅಸೆಂಬ್ಲಿ (RAPF-ಹೈಫೈ) ಎಂದು ಕರೆಯಿತು, ಇದು ಪ್ರತಿಕ್ರಿಯೆಗೆ ಎರಡು ಹೊಸ ಪ್ರೋಟೀನ್‌ಗಳನ್ನು ಸೇರಿಸುತ್ತದೆ: E. coli ನಿಂದ ರಿಕಾಂಬಿನೇಸ್ RecA, ಮತ್ತು ಫೇಜ್ T4 ಜೀನ್ 32 ಸಿಂಗಲ್-ಸ್ಟ್ರ್ಯಾಂಡ್ ಡಿಎನ್‌ಎ-ಬೈಂಡಿಂಗ್ ಪ್ರೋಟೀನ್ (gp32). ಮತ್ತಷ್ಟು, ಮಾಡೆಲ್ ಇಂಕ್ಯುಬೇಶನ್ ತಾಪಮಾನ ಮತ್ತು ಸಮಯ, ಮತ್ತು ಎನ್ಜೈಮ್ಯಾಟಿಕ್ ಸೇರ್ಪಡೆಗಳ ಸಮಯದಲ್ಲಿ ಉದ್ದೇಶಿತ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಿತು: ಇದು ಪ್ರಾರಂಭಿಕ 50°C ಹೈಫೈ ಪ್ರತಿಕ್ರಿಯೆಯ ನಂತರ RecA ಮತ್ತು gp32 ಅನ್ನು ಸೇರಿಸಲು, ಈ ಪ್ರೋಟೀನ್‌ಗಳನ್ನು 37°C ನಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ಬಿಡಲು, ಮತ್ತು ನಂತರ ಅಸೆಂಬ್ಲಿಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು 50°C ಗೆ ಹಿಂತಿರುಗಲು ಪ್ರಸ್ತಾಪಿಸಿತು. ಒಟ್ಟಾಗಿ, ಈ ಹೊಸ ಮಾರ್ಪಾಡುಗಳು ದಕ್ಷತೆಯನ್ನು 2.5 ಪಟ್ಟು ಹೆಚ್ಚಿಸಿವೆ. ಪ್ರತಿಕ್ರಿಯಾ ಷರತ್ತುಗಳು ಮತ್ತು ಸಮಯದ ಪುನರಾವರ್ತಿತ ಆಪ್ಟಿಮೈಸೇಶನ್ ಇಲ್ಲದೆ ಇದು ಪ್ರಾರಂಭಿಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಬೇಕು.

ಪರಿವರ್ತನೆ ಭಾಗದಲ್ಲಿ, ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಬದಲಾವಣೆ ಅಚ್ಚರಿಯ ರೀತಿಯಲ್ಲಿ ಸರಳವಾಗಿತ್ತು: ಕೋಶಗಳನ್ನು ಪೆಲ್ಲೆಟಿಂಗ್ ಮಾಡುವುದು (ಅವುಗಳನ್ನು ಸೆಂಟ್ರಿಫ್ಯೂಜ್‌ನಲ್ಲಿ ತಿರುಗಿಸಿ, ಅವುಗಳನ್ನು ಟ್ಯೂಬ್‌ನ ತಳಭಾಗದಲ್ಲಿ ಸಂಗ್ರಹಿಸಲು), ಪೂರೈಸಿದ ಪ್ರಮಾಣದ ಅರ್ಧವನ್ನು ತೆಗೆದುಹಾಕಿ, ಡಿಎನ್‌ಎ ಸೇರಿಸುವ ಮೊದಲು ಕೋಶಗಳನ್ನು ಮರುಸಸ್ಪೆಂಡ್ ಮಾಡುವುದು, ಇವೆಲ್ಲವೂ 4°C ನಲ್ಲಿ. ಹೆಚ್ಚಿನ ದಕ್ಷತೆಯ ರಾಸಾಯನಿಕವಾಗಿ ಸಮರ್ಥ ಕೋಶಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ನಾಜೂಕಾದವು ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಆದರೆ ಕೋಶಗಳು ಏಕಾಗ್ರತೆಯನ್ನು ಚೆನ್ನಾಗಿ ಸಹಿಸಿದವು ಮತ್ತು ಅಣುಗಳ ಘರ್ಷಣೆಗಳು ಪರಿವರ್ತನೆ ದಕ್ಷತೆಯನ್ನು ಬಹಳಷ್ಟು ಹೆಚ್ಚಿಸಿತು (ಅಂತಿಮ ಮಾನ್ಯತೆಯಲ್ಲಿ 30 ಪಟ್ಟು ಹೆಚ್ಚು). 

ಗಿಬ್ಸನ್ ಅಸೆಂಬ್ಲಿ ಡಿಎನ್‌ಎ ತುಣುಕುಗಳಿಗೆ ಹೊಂದುವ “ಚಿಪ್ಪು” ಅಂತ್ಯಗಳನ್ನು ನೀಡುವ ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಅವು ಪರಸ್ಪರವನ್ನು ಕಂಡುಹಿಡಿದು ಸೇರಿಕೊಳ್ಳಬಹುದು. ಒಟ್ಟುಗೂಡಿಸಿದ ತುಂಡುಗಳನ್ನು ಮುಚ್ಚಲು, ಪ್ರತಿಕ್ರಿಯೆಯಲ್ಲಿ ಎರಡು ವಿಭಿನ್ನ ಎಂಜೈಮ್‌ಗಳನ್ನು (ಪಾಲಿಮರೇಸ್ ಮತ್ತು ಲಿಗೇಸ್) ಬಳಸಲಾಗುತ್ತದೆ. RAPF-HiFi ನಲ್ಲಿ, ಹೊಂದಾಣಿಕೆಯ ಹಂತವನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ಎರಡು ಪ್ರೋಟೀನ್‌ಗಳನ್ನು ಪರಿಚಯಿಸಲಾಯಿತು. ಮೊದಲನೆಯದು, gp32, ಕೂದಲನ್ನು ಸರಿಪಡಿಸುವ ಕಂಬದಂತೆ ಸಡಿಲವಾದ DNA ತುದಿಗಳನ್ನು ಸರಾಗವಾಗಿ ಬಿಚ್ಚುತ್ತದೆ. ಎರಡನೆಯದು, RecA, ಪ್ರತಿ ತಂತುವಿಗೆ ಸರಿಯಾದ ಜೊತೆಯವರನ್ನು ಹುಡುಕುವ ಮಾರ್ಗದರ್ಶಕನಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ತುಣುಕುಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ. ಉಚ್ಚ ತಾಪಮಾನವು ಇಬ್ಬರು ಸಹಾಯಕರು DNA ಯಿಂದ ಬಿದ್ದುಹೋಗಲು ಕಾರಣವಾಗುತ್ತದೆ, ಇದರಿಂದ ಸಾಮಾನ್ಯ ಗಿಬ್ಸನ್ ಎಂಜೈಮ್‌ಗಳು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಸಾರಾಂಶವಾಗಿ, ಸುಧಾರಿತ ಕಾರ್ಯಕ್ಷಮತೆ ಕೆಳಗಿನ ಕಾರ್ಯವಿಧಾನದ ಮೂಲಕ ಸಾಧ್ಯವಾಗುತ್ತದೆ ಎಂದು ನಾವು ಊಹಿಸುತ್ತೇವೆ:

• Gp32 ನಾನ್-ಅನೀಲ್ಡ್ ಸಿಂಗಲ್-ಸ್ಟ್ರಾಂಡೆಡ್ DNA (ssDNA) ಟೇಲ್‌ಗಳನ್ನು ಲೇಪಿಸುತ್ತದೆ, ಎರಡನೆಯ ರಚನೆಯನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ
• ಸಾಮಾನ್ಯವಾಗಿ ರಚನೆಯಿಂದ ತಡೆಯಲ್ಪಡುವ RecA, 3' ಅಂತ್ಯದಿಂದ ಪ್ರವೇಶಿಸಿ gp32 ಫಿಲಮೆಂಟ್ ಅನ್ನು ಸ್ಥಳಾಂತರಿಸುತ್ತದೆ
• RecA ssDNA:ssDNA ಹೋಮೋಲಜಿ ಶೋಧನೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಅನ್ನು ಮಧ್ಯಸ್ಥಿಕೆ ಮಾಡುತ್ತದೆ, ಅನೆಲಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ
• 50°C ಗೆ ಹಿಂತಿರುಗಿದಾಗ, recA ಮತ್ತು gp32 ಫಿಲಮೆಂಟ್‌ಗಳು ಸ್ಥಳಾಂತರಗೊಳ್ಳುತ್ತವೆ, ಇದರಿಂದ ಪಾಲಿಮರೇಸ್ ಮತ್ತು ಲಿಗೇಸ್ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಹೊಸ ಎಂಜೈಮ್‌ಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿವೆಯೇ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸಲು, ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಸುಧಾರಣೆ ತಾಪಮಾನ ಹಂತಗಳು ಅಥವಾ ಬಫರ್‌ಗಳಲ್ಲಿ ಬದಲಾವಣೆಗಳಿಂದ ಮಾತ್ರವಾಗಿದೆಯೇ ಎಂಬುದನ್ನು ತಳ್ಳಿಹಾಕಲು, ನಾವು RecA ಇಲ್ಲದೆ, ಮತ್ತು RecA ಮತ್ತು gp32 ಎರಡರಿಲ್ಲದೆ RAPF-HiFi ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿದೆ. RAPF-HiFi ಗೆ ಹೋಲಿಸಿದರೆ ಎರಡೂ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಕಾರ್ಯಕ್ಷಮತೆ ಕಡಿಮೆಯಾಯಿತು, ಇದು RAPF-HiFi ಯ ಕ್ರಮಕ್ಕಾಗಿ ಎರಡೂ ಪ್ರೋಟೀನ್‌ಗಳು ಅಗತ್ಯವಿವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

RAPF-HiFi ಅಭಿವೃದ್ಧಿ ಸೂಚಿಸುತ್ತದೆ GPT‑5 ಸಂಕೀರ್ಣ ಮತ್ತು ಬಹು-ಆಯಾಮದ ತಾರ್ಕಿಕತೆಯನ್ನು ಹೊಂದಿದೆ:

• DNA ರಚನೆಯಿಂದ RecA ತಡೆಯಲ್ಪಡುತ್ತದೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ), ಮತ್ತು ಮಾಡೆಲ್ ಎರಡು ಸಹಕಾರಿಯ ಬದಲಾವಣೆಗಳನ್ನು ಒಂದೇ ಬಾರಿಗೆ ಪರಿಚಯಿಸಿದುದು ಗಮನಾರ್ಹವಾಗಿದೆ: RecA ಅನ್ನು ಸೇರಿಸಿ, ಮತ್ತು DNA ದ್ವಿತೀಯ ರಚನೆಯನ್ನು ತೆಗೆದುಹಾಕಲು ಅದನ್ನು gp32 ನೊಂದಿಗೆ ಪೂರೈಸಿತು.
• E. coli RecA ಗೆ ನೈಸರ್ಗಿಕ ಜೊತೆಯು E. coli ಏಕ-ಸೂತ್ರದ ಬಾಂಧಕ ಪ್ರೋಟೀನ್ (SSB) ಆಗಿದೆ. SSB ಜಿನೋಮ್ ಪ್ರತಿಕೃತಿ, ಪುನರ್ಯೋಜನೆ, ಮತ್ತು ದುರಸ್ತಿ ಸಂದರ್ಭದಲ್ಲಿ gp32 ಗೆ ಸಮಾನವಾದ ಪಾತ್ರವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ಆದರೆ, E. coli SSB DNA ಯಿಂದ ತಕ್ಷಣವೇ ಬೇರ್ಪಡಿಸುವಷ್ಟು ವೇಗವಾಗಿ ಬೀಳುವುದಿಲ್ಲ, RecFOR ಸಂಕೀರ್ಣವು in vivo ನಲ್ಲಿ SSB ಫಿಲಮೆಂಟ್‌ನಲ್ಲಿ RecA ನ್ಯೂಕ್ಲಿಯೇಷನ್ ಅನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ). SSB ಅತೀ ನಿಧಾನವಾದ ಆಫ್-ರೇಟ್ಸ್⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಸಹಿತ ಸ್ಥಿರ ಟೇಟ್ರಾಮರ್‌ ಆಗಿ ಬಂಧಿಸುತ್ತದೆ. ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, gp32 ಫಿಲಮೆಂಟ್ ಹೆಚ್ಚು ಚುರುಕು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಆಗಿದ್ದು, RecA ಸ್ಥಳಾಂತರಕ್ಕೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ. 

ನಮ್ಮ ಜ್ಞಾನಕ್ಕೆ, ಆಣ್ವಿಕ ಜೀವಶಾಸ್ತ್ರ ವಿಧಾನಗಳಲ್ಲಿ RecA ಮತ್ತು gp32 ಅನ್ನು ಕಾರ್ಯಾತ್ಮಕವಾಗಿ ಸಹ-ಬಳಸಲಾಗಿಲ್ಲ. ಅನೇಕ ಹೊಸ ಅಣುಜೀವಶಾಸ್ತ್ರ ತಂತ್ರಗಳಂತೆ, ಮೂಲ ಜೈವಿಕ ಕ್ರಿಯೆಗಳು ಈಗಾಗಲೇ ಅಧ್ಯಯನಗೊಂಡಿದ್ದವು, ಆದರೆ ಅವುಗಳನ್ನು ಪ್ರಾಯೋಗಿಕ, ಸಾಮಾನ್ಯೀಕರಣಗೊಳ್ಳುವ ವಿಧಾನವಾಗಿ ಬಳಸುವುದು ಪ್ರಗತಿಯನ್ನು ಸೂಚಿಸುತ್ತದೆ.

ಉದಾಹರಣೆಗೆ, RecA ಮತ್ತು gp32 ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ಯಾಂತ್ರಿಕ ಇನ್ ವಿಟ್ರೋ ಪುನಃಸ್ಥಾಪನೆ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಅಧ್ಯಯನ ಮಾಡಲಾಗಿದೆ: D ಲೂಪ್ ರಚನೆಯ ಅಧ್ಯಯನಗಳಲ್ಲಿ, gp32 ಚಟುವಟಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಸಾಮರ್ಥ್ಯವಿದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ). Gp32 ಅನ್ನು ಅದರ ನೈಸರ್ಗಿಕ T4 ರಿಕಾಂಬಿನೇಸ್ ಪಾಲುದಾರ UvsX ಮತ್ತು ರಿಕಾಂಬಿನೇಸ್ ಲೋಡಿಂಗ್ ಫ್ಯಾಕ್ಟರ್ uvsY ಜೊತೆಗೆ ರಿಕಾಂಬಿನೇಸ್ ಪಾಲಿಮರೇಸ್ ಆಂಪ್ಲಿಫಿಕೇಶನ್ (RPA)⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ನಲ್ಲಿ ಬಳಸಲಾಗಿದೆ. ಆದರೆ RPA ಪೇಟೆಂಟ್ ವಿಶೇಷಣವು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಪರಿಣಾಮಕಾರಿ RPA ಪ್ರತಿಕ್ರಿಯೆಗಳು E. coli RecA ಅನ್ನು ಹೇಟರೋಲೋಗಸ್ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ತೊಂದರೆಯಾದ (ಅಂದರೆ, ಎಂಜಿನಿಯರ್ ಮಾಡಲಾದ, ನಾನ್-ವೈಲ್ಡ್-ಟೈಪ್) gp32 ಪ್ರೋಟೀನ್‌ನೊಂದಿಗೆ ತೋರಿಸಲಾಗಿದೆ ಎಂದು ಹೇಳುತ್ತದೆ, ಈ ಹೇಳಿಕೆ ಕೆಲವು ಪೇಟೆಂಟ್ ಬಹಿರಂಗಪಡಿಸುವಿಕೆಗಳಲ್ಲಿ ಮಾತ್ರ ತಿರಸ್ಕಾರವಾಗಿ ಕಾಣಿಸುತ್ತದೆ ಮತ್ತು, ನಮ್ಮ ಜ್ಞಾನಕ್ಕೆ, ಪ್ರಕಟಿತ ಡೇಟಾದಿಂದ ಬೆಂಬಲಿತವಾಗಿಲ್ಲ ಅಥವಾ ಬಲವಾದ RecA ಆಧಾರಿತ RPA ವ್ಯವಸ್ಥೆಯಾಗಿ ಸ್ವೀಕರಿಸಲ್ಪಟ್ಟಿಲ್ಲ. ಒಂದು ಕ್ಲೋನಿಂಗ್ ವಿಧಾನವನ್ನು SLiCE⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು λ ರೆಡ್ ಪುನರ್‌ಸಂಯೋಜನೆ ವ್ಯವಸ್ಥೆಯನ್ನು ಹೊಂದಿರುವ E. coli ನಿಂದ ಸಂಪೂರ್ಣ ಕೋಶ ಹೊರತೆಗೆಯಿರಿಯನ್ನು ಬಳಸುತ್ತದೆ, ಅಲ್ಲಿ ರೆಡ್ ಬೀಟಾ ಡಿಎನ್‌ಎ-ಬೈಂಡಿಂಗ್ ಪ್ರೋಟೀನ್ ಮತ್ತು ಪುನರ್‌ಸಂಯೋಜಕ ಎಂದು ಎರಡು ಪಾತ್ರಗಳನ್ನು ನಿರ್ವಹಿಸಬಹುದು (ಆದರೆ ನಾವು ನಮ್ಮ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಕೋಶ ಹೊರತೆಗೆಯುವಿಕೆಗಳ ಬಳಕೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನಿಷೇಧಿಸಿದ್ದೇವೆ). ಒಂದು ವಿಭಿನ್ನ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ, ಫೆರಿನ್ ಮತ್ತು ಕ್ಯಾಮೆರಿನಿ-ಓಟೆರೋ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಹೊಂದಾಣಿಕೆಯ ಅನುಕ್ರಮಗಳ ಆಧಾರದ ಮೇಲೆ DNA ಅಣುಗಳನ್ನು ಆಯ್ಕೆಯಿಂದ ಸೆರೆಹಿಡಿಯಲು ಕೇವಲ RecA ಅನ್ನು ಬಳಸಿದರು. ಪ್ರತ್ಯೇಕವಾಗಿ, gp32 ಅನ್ನು PCR ಎಂದು ಕರೆಯುವ ಡಿಎನ್‌ಎ ವೃದ್ಧಿ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಸೇರ್ಪಡೆಕಾರಕವಾಗಿ ಬಳಸಲಾಗಿದೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ದ್ವಿತೀಯಿಕ ರಚನೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು. NABSA ವೃದ್ಧಿಯನ್ನು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) RecA ಮತ್ತು gp32 ಎರಡೂ ಹೆಚ್ಚಿಸಿದವು, ಆದರೆ ಪ್ರತಿ ಒಂದು ಪ್ರತ್ಯೇಕವಾಗಿ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು ಮತ್ತು ಯಾವುದೇ ಏಕರೂಪತೆ ಕಂಡುಬಂದಿಲ್ಲ. ವಿಸ್ತೃತವಾಗಿ, ಮೂಲ ಗಿಬ್ಸನ್ ಶೈಲಿಯ DNA ಅಸೆಂಬ್ಲಿ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಸುಧಾರಣೆಗಳು ಅಪರೂಪವಾಗಿವೆ, ಅತ್ಯಂತ ಗಮನಾರ್ಹ ಉದಾಹರಣೆಯೆಂದರೆ ಹೀಟ್-ಸ್ಟೇಬಲ್ DNA-ಬೈಂಡಿಂಗ್ ಪ್ರೋಟೀನ್ (ET SSB) ಅಸೆಂಬ್ಲಿ ದಕ್ಷತೆಯನ್ನು ಸುಮಾರು 2.5 ಪಟ್ಟು ಹೆಚ್ಚಿಸುತ್ತದೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ). 

ಬಹುತೇಕ ಅರ್ಜಿಗಳಿಗಾಗಿ, RAPF-HiFi ಸರಳತೆ ಮತ್ತು ದೃಢತೆಯ ವಿಷಯದಲ್ಲಿ HiFi/Gibson ಕ್ಲೋನಿಂಗ್‌ಗಿಂತ ಸ್ಪರ್ಧಿಸುವುದಿಲ್ಲ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ. ಆದರೆ, ಯಾಂತ್ರಿಕವಾಗಿ ವಿಭಿನ್ನವಾದ ಸಂಯೋಜನಾ ಮಾರ್ಗದ ಉದಯವು ಗಮನಾರ್ಹವಾಗಿದೆ: GPT‑5 ಪುನರ್‌ಸಂಯೋಜನೆ ಪ್ರೋಟೀನ್‌ಗಳು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಾ ಗತಿಶೀಲತೆಯ ಅಪರಿಚಿತ ಸಂಯೋಜನೆಯನ್ನು ಒಳಗೊಂಡ ಪರಿಹಾರವನ್ನು ಕಂಡುಹಿಡಿದಿದೆ. ಅಡಿಪಾಯದ ಕಾರ್ಯವಿಧಾನವು ಮಾದರಿಯಂತಾಗಬಹುದು, ಇದು ಇತರ ಅಣ್ವಿಕ ವರ್ಕ್‌ಫ್ಲೋಗಳಲ್ಲಿ ಮರುಬಳಕೆ ಅಥವಾ ಮರುಸಂಯೋಜನೆಗೆ ಒಳಪಟ್ಟಿರುವ ಘಟಕಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಾವು RAPF-HiFi ಯ ಸುಧಾರಣೆಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತಿರುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತಿದ್ದೇವೆ. ಪ್ರತಿಕ್ರಿಯೆಯ ತಾಪಮಾನಗಳು ಮತ್ತು ಹಂತದ ಅವಧಿಗಳನ್ನು RecA ಮತ್ತು gp32 ಚಟುವಟಿಕೆಗಳನ್ನು ಎಕ್ಸೋನುಕ್ಲಿಯಸ್ ಅತಿಯಾದ ಜೀರ್ಣದ ವಿರುದ್ಧ ಸಮತೋಲನಗೊಳಿಸಲು ಟ್ಯೂನ್ ಮಾಡಬಹುದು, ಮತ್ತು ಎರಡೂ ಪ್ರೋಟೀನ್‌ಗಳ ಪ್ರಮಾಣವನ್ನು ಇನ್ನೂ ಆಪ್ಟಿಮೈಸ್ ಮಾಡಬೇಕಾಗಿದೆ. GPT‑5 ಕೂಡ ಹೈಪರ್‌ಆಕ್ಟಿವ್ RecA ರೂಪಾಂತರವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದೆ, ಇದನ್ನು ನಾವು ಪ್ರಸ್ತುತ ಶುದ್ಧೀಕರಿಸುತ್ತಿದ್ದೇವೆ.

ಪರಿವರ್ತನೆ ಪ್ರೋಟೋಕಾಲ್ ಸಂಬಂಧಿಸಿದಂತೆ, ಯಶಸ್ವಿ ಆಪ್ಟಿಮೈಸೇಶನ್ ಶರತ್ತುಗಳು ವಾಣಿಜ್ಯ 10-ಬೀಟಾ ಸಮರ್ಥ ಕೋಶಗಳ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಉಷ್ಣ-ಆಘಾತ ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಉದ್ದೇಶಿತವಾದ ವಿವಿಧ ಸೇರ್ಪಡೆಗಳು ಮತ್ತು ತಾಪಮಾನ ವ್ಯತ್ಯಯಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ಹೊಂದಿದ್ದವು. ಪರೀಕ್ಷಿಸಲಾದ 13 AI-ರಚಿಸಿದ ಏಕ-ಶಾಟ್ ಪರಿವರ್ತನೆಗಳಲ್ಲಿ, ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ತಿದ್ದುಪಡಿ, ಪರಿವರ್ತನೆ 7 (T7), ಕೋಶಗಳನ್ನು ಪ್ಯಾಲೆಟ್ ಮಾಡಿತು, ಪೂರೈಸಿದ ಪ್ರಮಾಣದ ಅರ್ಧವನ್ನು ತೆಗೆದುಹಾಕಿ, ಕೋಶಗಳನ್ನು ಪುನಃ ಮಿಶ್ರಣ ಮಾಡಿ, ನಂತರ DNA ಅನ್ನು ಸೇರಿಸುವ ಮೊದಲು, ಇವೆಲ್ಲವೂ 4°C ನಲ್ಲಿ ನಡೆಯಿತು. ಉನ್ನತ-ಕಾರ್ಯಕ್ಷಮತೆಯ ರಾಸಾಯನಿಕವಾಗಿ ಸಮರ್ಥಕೃತ ಕೋಶಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ನಾಜೂಕಾದವು ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಮತ್ತು ಇಂತಹ ಹ್ಯಾಂಡ್ಲಿಂಗ್ ಹಂತಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ತಪ್ಪಿಸಲಾಗುತ್ತದೆ. ಆದರೂ, ಕೋಶಗಳು ಗಾಢತೆಯನ್ನು ಚೆನ್ನಾಗಿ ಸಹಿಸಿವೆ. ಪ್ರತಿ ಕೋಶದಲ್ಲಿ ಡಿಎನ್‌ಎ ಅನಾವರಣ ಹೆಚ್ಚಳ ಮತ್ತು ಕಡಿಮೆ ತಡೆಗಟ್ಟುವ ಬಫರ್‌ನಿಂದ ಉಂಟಾಗುವ ತೀವ್ರವಾದ ಹೀಟ್-ಶಾಕ್ ಪರಿಣಾಮವಾಗಿ ಪರಿವರ್ತನೆ ದಕ್ಷತೆಯಲ್ಲಿ ಗಣನೀಯ ಏರಿಕೆ (>30-ಪಟ್ಟು) ಕಂಡುಬಂದಿದೆ. 

ಈ ಪರಿವರ್ತನೆ ಪ್ರೋಟೋಕಾಲ್ ಹೊಸದು, ಆದರೆ ಸೆಲ್‌ಗಳನ್ನು ಮುಂಚಿನ ಹಂತದಲ್ಲಿ ಕೇಂದ್ರೀಕರಿಸುವ ಸಮಾನ ವಿಧಾನ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ವರದಿಯಾಗಿದೆ. ಗಮನಾರ್ಹವಾಗಿ, ಇಲ್ಲಿ GPT‑5 ಮೂಲಕ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ವಿಧಾನವು ಔಷಧೀಯವಾಗಿ ಸಮರ್ಥ ಕೋಶಗಳೊಂದಿಗೆ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ, ಲ್ಯಾಬ್‌ನಲ್ಲಿ ಕೋಶ ತಯಾರಿಕೆಯನ್ನು ಅಗತ್ಯವಿಲ್ಲದೆ, ಹೋಲಿಕೆಯ ಕೋಶ ಶ್ರೇಣಿಗಳ ಮೇಲಿನ ವರದಿಯಾದ ದಕ್ಷತೆಯ ಲಾಭಗಳನ್ನು ಮೀರಿಸುತ್ತದೆ.

ಈ ಮಾಡೆಲ್ ಪ್ರಯೋಗಾತ್ಮಕ ವ್ಯವಸ್ಥೆಯ ಒಟ್ಟು ಮೊತ್ತವನ್ನು ಹೆಚ್ಚಿಸಲು, Robot on Rails ಮತ್ತು Red Queen Bio ಸಹಯೋಗದೊಂದಿಗೆ, ನೈಸರ್ಗಿಕ ಭಾಷಾ ಕ್ಲೋನಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಸ್ವೀಕರಿಸಿ, ಅದನ್ನು ವೆಟ್ ಲ್ಯಾಬ್‌ನಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸುವ ರೋಬೋಟಿಕ್ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸಿತು.

ವ್ಯವಸ್ಥೆಯು ಮೂರು ಘಟಕಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ: 1) ಮಾನವ-ರೋಬೋಟ್ LLM, ಇದು ಸರಳ ಇಂಗ್ಲಿಷ್ ಅನ್ನು ರೋಬೋಟ್‌ನ ಕ್ರಮಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ; 2) ಲ್ಯಾಬ್‌ವೇರ್ ಅನ್ನು ನಿಜವಾದ ಸಮಯದಲ್ಲಿ ಗುರುತಿಸಿ ಸ್ಥಳೀಕರಿಸುವ ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆ; ಮತ್ತು 3) ಪ್ರತಿ ಕ್ರಮವನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಮತ್ತು ನಿಖರವಾಗಿ ಹೇಗೆ ನಿರ್ವಹಿಸಬೇಕೆಂದು ನಿರ್ಧರಿಸುವ ರೋಬೋಟಿಕ್ ಪಥ ಯೋಜಕ. ಫಲಿತಾಂಶವು ಬಾಹುಳ್ಯ ಮತ್ತು ಸಾಮಾನ್ಯೀಕೃತ ಲ್ಯಾಬ್ ರೋಬೋಟ್ ಆಗಿದ್ದು, ಗಿಬ್ಸನ್ ಕ್ಲೋನಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್‌ನ ವಿವಿಧ ರೂಪಾಂತರಗಳಿಗೆ ಮತ್ತಷ್ಟು ಸುಧಾರಿಸಲಾಗಿದೆ.

ನಾವು ಸ್ವಾಯತ್ತ ರೋಬೋಟ್ ಸಂಪೂರ್ಣ ಕ್ಲೋನಿಂಗ್ ಪ್ರಯೋಗವನ್ನು ನಿರ್ವಹಿಸಬಹುದೇ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸಲು, ಎರಡು ಪ್ರೋಟೋಕಾಲ್‌ಗಳನ್ನು ಸಮಕಾಲೀನವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಮೂಲಕ ಪರೀಕ್ಷೆ ನಡೆಸಿದೆವು: ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಹೈಫೈ ವಿಧಾನ ಮತ್ತು ಮೊದಲ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸುತ್ತಿನಲ್ಲಿನ ಶ್ರೇಷ್ಠ AI-ಮಾರ್ಪಡಿತ ಪ್ರೋಟೋಕಾಲ್ R8.

ನಾವು ಪ್ರತಿ ಹಂತದಲ್ಲಿ ರೋಬೋಟ್‌ನ ಕೆಲಸವನ್ನು ಮಾನವ-ನಿರ್ವಹಿತ ಪ್ರಯೋಗಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದ್ದೇವೆ. ರೋಬೋಟ್ ವೈವಿಧ್ಯಮಯ ಭೌತಿಕ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಒಳಗೊಂಡ ಪರಿವರ್ತನೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ನಿರ್ವಹಿಸಿತು: ದ್ರವಗಳನ್ನು ವರ್ಗಾಯಿಸುವುದು ಮತ್ತು ಮಿಶ್ರಣ ಮಾಡುವುದು, ಮಾದರಿ ಟ್ಯೂಬ್‌ಗಳನ್ನು ಚಲಿಸುವುದು, ಕೋಶಗಳಿಗೆ ನಿಯಂತ್ರಿತ ತಾಪಮಾನವನ್ನು ಅನ್ವಯಿಸುವುದು, ಮತ್ತು ಬೆಳವಣಿಗೆ ತಟ್ಟೆಗಳಲ್ಲಿ ಕೋಶಗಳನ್ನು ಹಂಚುವುದು. ಮಾನವ-ನಿರ್ವಹಿತ ಪರಿವರ್ತನೆಗಳೊಂದಿಗೆ ನೇರವಾಗಿ ಹೋಲಿಸಿದಾಗ, ರೋಬೋಟ್ ಸಮಾನ ಗುಣಮಟ್ಟದ ಡೇಟಾವನ್ನು ರಚಿಸಿತು, ಇದು ಮೂಲ ಅಂಕೆಗಳನ್ನು ಮೀರಿಸುವ ಸಮಾನ ಸುಧಾರಣೆಗಳನ್ನು ತೋರಿಸುತ್ತದೆ, ಜೈವಿಕ ಪ್ರಯೋಗ ಆಪ್ಟಿಮೈಸೇಶನ್ ಅನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಮತ್ತು ವೇಗಗೊಳಿಸಲು ಆರಂಭಿಕ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸುತ್ತದೆ.

ರೋಬೋಟ್ ಮತ್ತು ಮನುಷ್ಯರ ಪ್ರಯೋಗಗಳ ನಡುವೆ ಮಡಚುವ ಬದಲಾವಣೆಗಳು ಸಮಾನವಾಗಿದ್ದರೂ, ರೋಬೋಟ್‌ನಿಂದ ಲಭ್ಯವಿರುವ ಸಂಪೂರ್ಣ ಕಾಲೋನಿ ಎಣಿಕೆಗಳು ಕೈಯಿಂದ ಮಾಡಿದ ಕಾರ್ಯಾಚರಣೆಯಿಗಿಂತ ಸುಮಾರು ಹತ್ತು ಪಟ್ಟು ಕಡಿಮೆ ಇವೆ. ಇದು ದ್ರವ ಹ್ಯಾಂಡ್ಲಿಂಗ್ ನಿಖರತೆ, ತಾಪಮಾನ ನಿಯಂತ್ರಣ ಕ್ಯಾಲಿಬ್ರೇಶನ್, ಮತ್ತು ಕೈಯಿಂದ ಸೆಲ್ ಹ್ಯಾಂಡ್ಲಿಂಗ್ ತಂತ್ರಗಳ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಪುನರಾವರ್ತಿಸುವಂತಹ ಸುಧಾರಣಾ ಪ್ರದೇಶಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ.

ನಾವು ಈ ಪ್ರಯೋಗಗಳು ಭವಿಷ್ಯದ AI ವೇಗಗೊಳಿಸಿದ ವಿಜ್ಞಾನವು ಹೇಗಿರುತ್ತದೆ ಎಂಬುದರ ಒಂದು ಸ್ನ್ಯಾಪ್‌ಶಾಟ್ ಅನ್ನು ನೀಡುತ್ತವೆ ಎಂದು ನಂಬುತ್ತೇವೆ: ಮಾಡೆಲ್‌ಗಳು ನಿರಂತರವಾಗಿ ಕಲಿಯುತ್ತಾ ನೈಜ ಜಗತ್ತಿನೊಂದಿಗೆ ಸಂವಹನ ಮಾಡುತ್ತವೆ. ನಮ್ಮ ಪ್ರಯೋಗಗಳು ಮಾಡೆಲ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಶುದ್ಧವಾಗಿ ಅಳೆಯಲು ಮಾನವ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಹೊರತುಪಡಿಸಿದರೂ, AI ಮಾನವ ವಿಜ್ಞಾನಿಗಳಿಗೆ⁠ ಪ್ರಯೋಗಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಮತ್ತು ಸಂಶೋಧನಾ ಸಾಧನೆಗಳಿಗೆ ಸಹಕರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಬಗ್ಗೆ ನಾವು ವಿಶೇಷವಾಗಿ ಉತ್ಸಾಹಿತರಾಗಿದ್ದೇವೆ.

ನಾವು ವೈಜ್ಞಾನಿಕ ಪ್ರಗತಿಯನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯಿಂದ ವೇಗಗೊಳಿಸುತ್ತಿರುವಾಗ, ಜೈವಿಕ ಭದ್ರತೆಗೆ ಸಂಬಂಧಿಸಿದ ಅಪಾಯಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ ಕಡಿಮೆ ಮಾಡಲು ನಾವು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ. ಈ ಮೌಲ್ಯಮಾಪನ ಫಲಿತಾಂಶಗಳು ಮಾಡೆಲ್‌ಗಳು ಲ್ಯಾಬ್‌ನಲ್ಲಿ ತಾರ್ಕಿಕತೆ ಬಳಸಿಕೊಂಡು ಪ್ರೋಟೋಕಾಲ್‌ಗಳನ್ನು ಸುಧಾರಿಸಲು ಸಾಧ್ಯವಿದೆ ಎಂದು ತೋರಿಸುತ್ತವೆ, ಮತ್ತು ನಮ್ಮ Preparedness Framework⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ನಲ್ಲಿ ವಿವರಿಸಿದಂತೆ ಜೈವಿಕ ಸುರಕ್ಷತೆಗೆ ಪರಿಣಾಮಗಳನ್ನು ಹೊಂದಿರಬಹುದು. ನಾವು ಅಗತ್ಯ ಮತ್ತು ಸೂಕ್ಷ್ಮ ಭದ್ರತೆಗಳನ್ನು ನಿರ್ಮಿಸಲು⁠ ಮಾಡೆಲ್ ಮತ್ತು ಸಿಸ್ಟಮ್ ಮಟ್ಟದಲ್ಲಿ ಈ ಅಪಾಯಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಬದ್ಧರಾಗಿದ್ದೇವೆ, ಹಾಗೆಯೇ ಪ್ರಸ್ತುತ ಮಟ್ಟಗಳನ್ನು ಹಿಂಬಾಲಿಸಲು ಮೌಲ್ಯಮಾಪನೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದೇವೆ.