GPT‑5 sumažina beląstelinės baltymų sintezės sąnaudas
Bendradarbiaudami su „Ginkgo Bioworks“, sukūrėme DI valdomą autonominę laboratoriją ir pasiekėme 40 proc. mažesnes baltymų gamybos sąnaudas.
Matėme sparčią DI pažangą tokiose srityse kaip matematika ir fizika, kur idėjas dažnai galima įvertinti neliečiant fizinio pasaulio. Biologija yra kitokia. Pažanga vyksta laboratorijoje, kur mokslininkai atlieka eksperimentus, reikalaujančius laiko ir pinigų.
Tai pradeda keistis. Priešakiniai modeliai dabar gali tiesiogiai prisijungti prie laboratorijos automatizavimo, siūlyti eksperimentus, vykdyti juos dideliu mastu, mokytis iš rezultatų ir nuspręsti, ką daryti toliau. Didelėje gyvybės mokslų dalyje kliūtis yra iteracija, o autonominės laboratorijos sukurtos tam, kad pašalintų šį apribojimą.
Ankstesniame darbe parodėme, kad „GPT‑5“ gali pagerinti šlapiosios laboratorijos protokolus taikant uždaro ciklo eksperimentavimą. Čia parodome, kad tas pats metodas gali sumažinti baltymų gamybos sąnaudas.
Bendradarbiaudami su „Ginkgo Bioworks“(atsidaro naujame lange) sujungėme GPT‑5 su debesijos laboratorija – nuotoliniu būdu per programinę įrangą valdoma automatizuota „šlapiąja“ laboratorija, kurioje robotai atlieka eksperimentus ir grąžina duomenis. Šią su laboratorija sujungto modelio (angl. „lab-in-the-loop“) sąranką panaudojome plačiai taikomam biologiniam procesui – beląstelinei baltymų sintezei (angl. „cell-free protein synthesis“, CFPS) – optimizuoti. Per šešis uždaro ciklo eksperimentavimo raundus sistema išbandė daugiau nei 36 tūkst. unikalių BLBS reakcijos kompozicijų 580 automatizuotų plokštelių. Suteikus prieigą prie kompiuterio, interneto naršyklės ir atitinkamų straipsnių, GPT‑5 prireikė trijų eksperimentavimo raundų, kad nustatytų naują pažangiausią lygį pigioje BLBS, pasiekiant 40 proc. mažesnes baltymų gamybos sąnaudas (ir 57 proc. geresnę reagentų kainą), įskaitant naujas reakcijos kompozicijas, kurios yra atsparesnės reakcijos sąlygoms, įprastoms autonominėse laboratorijose.
Beląstelinė baltymų sintezė (BLBS) – tai būdas gaminti baltymus neauginant gyvų ląstelių. Užuot įterpus DNR į ląsteles ir laukus, kol jos pagamins baltymą, BLBS vykdo baltymų gamybos mechanizmą kontroliuojamame mišinyje. Dėl to tai yra praktiškas įrankis greitam prototipų kūrimui ir testavimui, nes mokslininkai gali greitai atlikti daugybę eksperimentų ir įvertinti rezultatus tą pačią dieną.
Baltymai yra didelė dalis to, ką suteikia šiuolaikinė biologija. Daugelis svarbių vaistų yra pagrįsti baltymais. Daugelis diagnostikos ir tyrimų metodų priklauso nuo baltymų. Pramoninėje aplinkoje baltymai veikia kaip fermentai, kurie cheminius procesus paverčia švaresniais ir efektyvesniais. Baltymų yra net jūsų skalbimo milteliuose. Kai baltymų gamyba tampa greitesnė ir pigesnė, mokslininkai paprastai gali anksčiau išbandyti daugiau idėjų ir sumažinti ankstyvųjų tyrimų pavertimo tuo, kas žmonėms naudinga kasdien, sąnaudas.
BLBS jau yra naudinga tokio pobūdžio iteracijai. Kliūtis ta, kad ją sudėtinga optimizuoti, o didinant mastą ji tampa brangi.
Beląstelinei baltymų sintezei reikia sudėtingų, sąveikaujančių ingredientų: DNR šablono, koduojančio gaminamą baltymą, ląstelių lizato (ląstelių mechanizmų sriubos iš ląstelių vidaus) ir daugybės biocheminių komponentų, pradedant energijos šaltiniais ir baigiant druskomis. Nepaprastai sunku protauti apie sistemą kaip visumą, ir daugelyje(atsidaro naujame lange) ankstesnių(atsidaro naujame lange) tyrimų(atsidaro naujame lange) buvo taikomi įvairūs mašininio mokymosi tipai baltymų gamybos sąnaudoms sumažinti.
Standartinės beląstelinės baltymų sintezės (BLBS) formuluotės ir komerciniai rinkiniai dažnai įkainoti pagal žmogaus darbo tempą. Autonominės laboratorijos gali atlikti tūkstančius reakcijų per tą laiką, per kurį žmonių komanda atliktų kelias dešimtis. Tokiu mastu reagentų kaina tampa ribojančiu veiksniu.
BLBS taip pat sunku optimizuoti remiantis vien intuicija. Tai daugelio sąveikaujančių komponentų mišinys. Maži pokyčiai gali būti svarbūs, tačiau poveikio kryptis ne visada akivaizdi, o geriausius derinius gali būti sunku rasti neatlikus daugybės eksperimentų. Ankstesni metodai sumažino sąnaudas, tačiau pažanga paprastai būna laipsniška, nes išsamiai ištirti erdvę reikia daug darbo.
Sujungėme GPT‑5 su „Ginkgo Bioworks“ debesijos laboratorija, kad suformuotume uždaro ciklo autonominę sistemą beląstelinės baltymų sintezės (BLBS) optimizavimui.
GPT‑5 sukūrė eksperimentų partijas. Laboratorija jas įvykdė. Rezultatai buvo perduoti atgal modeliui. Modelis panaudojo tuos duomenis kitam raundui pasiūlyti. Kartojome tą ciklą šešis kartus.
GPT‑5 sukūrė eksperimentų partijas standartiniu 384 šulinių plokštelės formatu ir paleido jas „Ginkgo Bioworks“ debesijos laboratorijoje. Pasibaigus eksperimentams, debesijos laboratorija perdavė duomenis atgal į GPT‑5, ten modelis išanalizavo rezultatus, sugeneravo naujas hipotezes ir sukūrė kito eksperimentų raundo projektą.
Siekdami išlaikyti ciklą pagrįstą tuo, ką gali atlikti autonominė laboratorija, prieš kiekvieną eksperimentą pridėjome griežtą programinį patvirtinimą. Šis patvirtinimas užtikrino, kad DI sukurti eksperimentai būtų fiziškai įgyvendinami automatizavimo platformoje. Tai užkirto kelią „popieriniams eksperimentams“, kurie tekste atrodo tikėtini, bet negali būti atlikti robotizuotoje darbo eigoje.
Per visą eigą sistema įvykdė daugiau nei 36 tūkst. BLBS reakcijų 580 automatizuotų plokštelių. Šis mastas svarbus, nes leidžia išryškėti dėsningumams. Biologijoje pavieniai eksperimentai yra triukšmingi. Pralaidumas ir iteracija yra būdas atskirti signalą nuo atsitiktinio triukšmo. Kai GPT‑5 gavo prieigą prie atitinkamo straipsnio ir įrankių, prireikė trijų eksperimentavimo raundų ir dviejų mėnesių, kad būtų nustatytas naujas pažangiausias lygis: 40 proc. mažesnės baltymų gamybos sąnaudos, palyginti su geriausiu ankstesniu etalonu(atsidaro naujame lange).
„Ginkgo Bioworks“ perkonfigūruojami automatizavimo vežimėliai. Padėka: „Ginkgo Bioworks“
Nustatėme, kad patobulinimai atsirado nustačius derinius, kurie gerai veikia kartu ir išlieka patikimi didelio pralaidumo automatizavimo sąlygomis.
Nustatėme, kad GPT‑5 identifikavo pigias reakcijos kompozicijas, kurių žmonės anksčiau nebandė šioje konfigūracijoje. Beląstelinė baltymų sintezė (BLBS) tiriama jau daugelį metų, tačiau galimų mišinių erdvė vis dar didelė. Kai galite greitai pasiūlyti ir įvykdyti tūkstančius derinių, galite rasti veikiančių sričių, kurias lengva praleisti dirbant rankiniu būdu.
Taip pat nustatėme, kad didelio našumo plokštelių eksperimentai dažnai skiriasi nuo rankinių eksperimentų ant stalo. Oksigenacija didelio našumo reakcijos formatuose gali būti mažesnė. Maišymas ir geometrija gali skirtis. Dauguma BLBS reakcijų pagamina daug daugiau baltymų mėgintuvėliuose nei mikroplokštelėse, nes didesnis mastas paprastai reiškia didesnį deguonies prieinamumą ir geresnį maišymą. Tiesą sakant, plokštelių reakcijoms esant mažam tūriui, GPT‑5 pasiūlė daug reakcijų, kurios iš karto pranoko geriausius ankstesnius rezultatus, vos gavęs prieigą prie kompiuterio duomenų analizei ir interneto naršyklės atitinkamų straipsnių paieškai. Apskritai GPT‑5 pasiūlė daug reagentų derinių, kurie gerai veikė esant didelio našumo apribojimams, įskaitant daugelį, kurie yra atsparesni mažo deguonies kiekio sąlygoms, įprastoms automatizuotose laboratorijose.
Be to, nustatėme, kad nedideli buferizavimo, energijos regeneravimo komponentų ir poliaminų pakeitimai turėjo neproporcingai didelį poveikį, palyginti su jų kaina. Tai ne visada yra pirmieji parametrai, kurių žmonės griebiasi, tačiau esant dideliam našumui jie tampa tikrinamomis hipotezėmis, o ne foninėmis prielaidomis.
Galiausiai pati sąnaudų struktūra lėmė tai, kas buvo svarbu. BLBS sąnaudas dabar daugiausia sudaro lizatas ir DNR. Tai reiškia, kad išeiga yra didžiausią svertą turinti strategija. Jei galite padidinti baltymų išeigą vienam brangios įvesties vienetui, padarysite reikšmingą pažangą mažindami sąnaudas dar prieš pradėdami ieškoti nedidelių sutaupymų kitur.
Per šešis autonominių eksperimentų raundus sistema nuolat tobulino beląstelinę baltymų sintezę, mažindama sąnaudas ir didindama baltymų išeigą. Rezultatai pateikiami kaip reakcijos sąnaudų ir baltymų titro santykis kiekvienam raundui, o geriausi kompromisai sudaro ribą. Didesni taškai žymi mažiausią pasiektą gramo kainą kiekviename raunde, o žvaigždutė / punktyrinė nuoroda rodo ankstesnį pažangiausią etaloną 384 šulinėlių plokštelėse (Olsen ir kt., 2025). Atidžiau pažvelgus į vėlesnius raundus, išryškėja galutiniai laimėjimai, o raundų suvestinė rodo, kaip laikui bėgant mažėja geriausia gramo kaina.
Šie rezultatai buvo pademonstruoti su vienu baltymu, sfGFP, ir viena beląstelinės baltymų sintezės (BLBS) sistema. Apibendrinimą kitiems baltymams ir kitoms BLBS sistemoms dar reikia parodyti.
Oksigenacija ir reakcijos geometrija gali turėti didelę įtaką išeigai, ir šie veiksniai gali skirtis priklausomai nuo masto. Kai kurie patobulinimai gali būti jautrūs šioms sąlygoms, ir tų jautrumų supratimas yra dalis to, kas bus toliau.
Žmogaus priežiūra buvo reikalinga protokolo tobulinimui ir reagentų tvarkymui. Sistema gali kurti ir interpretuoti eksperimentus, tačiau laboratorinis darbas vis dar apima praktines detales, kurioms reikia patyrusių operatorių.
Planuojame taikyti laboratorinį optimizavimą (angl. lab-in-the-loop) kitose biologinėse darbo eigose, kur greitesnė iteracija gali atverti kelią pažangai. Autonomines laboratorijas matome kaip papildančias modelius. Modeliai gali generuoti projektus, tačiau galiausiai biologijai vis tiek reikia testavimo ir iteracijos. Ciklo tarp generavimo ir eksperimentavimo uždarymas yra būdas paversti perspektyvias idėjas veikiančiais rezultatais.
Dirbdami siekiant saugiai ir atsakingai spartinti mokslo pažangą, taip pat siekiame įvertinti ir sumažinti riziką, ypač susijusią su biologiniu saugumu. Šie rezultatai rodo, kad modeliai gali protauti šlapiojoje laboratorijoje siekdami pagerinti protokolus, ir gali turėti pasekmių biologiniam saugumui, kurias vertiname ir švelniname taikydami savo Pasirengimo sistemą. Esame įsipareigoję kurti būtinas ir niuansuotas apsaugos priemones modelio ir sistemos lygmeniu, kad sumažintume šią riziką, taip pat kurti vertinimus dabartiniams lygiams stebėti.
Esame dėkingi savo partneriams „Ginkgo Bioworks“ ir komandoms, padėjusioms sukurti, valdyti ir palaikyti automatizuotą debesijos laboratoriją, kuria remiasi šis darbas.
