Mākslīgā intelekta spēju mērīšana laboratorijas bioloģisko pētījumu paātrināšanā
GPT‑5 izveidoja jaunus laboratorijas protokola uzlabojumus, optimizējot molekulārās klonēšanas protokola efektivitāti 79 reizes.
Zinātniskā progresa paātrināšana ir viens no vērtīgākajiem veidiem, kā mākslīgais intelekts var sniegt labumu cilvēcei. Ar GPT‑5 mēs sākam redzēt agrīnas pazīmes tam—ne tikai palīdzot pētniekiem ātrāk izpētīt zinātnisko literatūru, bet arī atbalstot jaunas zinātniskās domāšanas formas, piemēram, negaidītu sakarību atklāšanu, pierādījumu stratēģiju piedāvāšanu vai ticamu mehānismu ieteikšanu, kurus eksperti var novērtēt un pārbaudīt.
Līdz šim progress bijis visredzamākais tādās jomās kā matemātika, teorētiskā fizika un teorētiskā datorzinātne, kur idejas var stingri pārbaudīt bez fiziskiem eksperimentiem. Bioloģija ir atšķirīga: lielākā daļa sasniegumu ir atkarīgi no eksperimentu veikšanas, iterācijas un empīriskās pārbaudes laboratorijā.
Lai palīdzētu saprast, kā robežmodeļi uzvedas šajos apstākļos, mēs sadarbojāmies ar bioloģiskās drošības jaunuzņēmumu Red Queen Bio, lai izveidotu novērtēšanas sistēmu, kas pārbauda, kā modelis piedāvā, analizē un iterē idejas slapjajā laboratorijā. Mēs izveidojām vienkāršu molekulārās bioloģijas eksperimentālo sistēmu un izmantojām GPT‑5, lai optimizētu molekulārās klonēšanas protokolu efektivitātes uzlabošanai.
Vairāku eksperimentu kārtu laikā GPT‑5 ieviesa jaunu mehānismu, kas uzlaboja klonēšanas efektivitāti 79 reizes. Klonēšana ir fundamentāls molekulārās bioloģijas instruments. Klonēšanas metožu efektivitāte ir kritiska, lai izveidotu lielas, sarežģītas bibliotēkas, kam ir centrālā loma proteīnu inženierijā(atveras jaunā logā), ģenētiskajos skrīningos(atveras jaunā logā) un organismu celmu inženierijā(atveras jaunā logā). Šis projekts piedāvā ieskatu, kā MI varētu strādāt plecu pie pleca ar biologiem, lai paātrinātu izpēti. Eksperimentālo metožu uzlabošana palīdzēs pētniekiem strādāt ātrāk, samazināt izmaksas un ar atklājumiem reāli ietekmēt pasauli.
Tā kā bioloģiskās domāšanas attīstība ietekmē bioloģisko drošību, mēs veicām šo darbu stingri kontrolētā vidē—izmantojot nekaitīgu eksperimentālo sistēmu, ierobežojot uzdevuma apjomu un novērtējot modeļa uzvedību, lai informētu mūsu bioloģiskās drošības riska novērtējumus un modeļa un sistēmas līmeņa aizsardzības pasākumu izstrādi, kā izklāstīts mūsu Sagatavotības sistēmā(atveras jaunā logā).
Šajā uzstādījumā GPT‑5 autonomi apsvēra klonēšanas protokolu, ierosināja izmaiņas un iekļāva datus no jauniem eksperimentiem, lai ieteiktu vēl vairāk uzlabojumu. Vienīgā cilvēka iejaukšanās bija tā, ka zinātnieki izpildīja modificēto protokolu un augšupielādēja eksperimentālos datus.
Vairāku kārtu laikā GPT‑5 optimizēja klonēšanas procedūru, lai uzlabotu efektivitāti vairāk nekā 79 reizes — tas nozīmē, ka par noteiktu Ievades DNS daudzumu mēs atguvām 79 reizes vairāk klonu ar pārbaudītu sekvenci nekā sākotnējā protokolā. Turklāt tas ieviesa divus fermentus, kas veido jaunu mehānismu: rekombināzi RecA no E. coli un fāga T4 gēna 32 vienpavediena DNS saistošo proteīnu (gp32). Strādājot tandēmā, gp32 izlīdzina un atšķetina brīvos DNS galus, un RecA pēc tam vada katru pavedienu uz tā pareizo atbilstību.
Sākotnējā skrīninga un sekundārie eksperimenti identificēja RecA-asistēto pāru un pabeigšanas HiFi salikšanu (RAPF) un Transformāciju 7 (T7) kā attiecīgi labākos enzīmu un transformācijas protokolus. Gan RAPF salikšana, gan T7 transformācija neatkarīgi uzlaboja klonēšanas efektivitāti salīdzinājumā ar bāzes HiFi reakcijas klonēšanas protokolu, attiecīgi 2,6 reizes un 36 reizes; kombinācijā tās nodrošināja papildinošu veiktspējas uzlabojumu par 79 reizēm. Visi kloni tika apstiprināti ar sekvencēšanu. (Kļūdu joslas: SD no n=3 neatkarīgiem validācijas eksperimentiem).
Lai gan šie rezultāti ir agrīni, tie ir daudzsološi. Uzlabojumi ir specifiski mūsu konkrētajai klonēšanas sistēmai, kas tiek izmantota mūsu modeļa sistēmā, un joprojām pieprasa, lai cilvēkzinātnieki izveidotu un vadītu protokolus. Tomēr šie eksperimenti parāda, ka MI sistēmas var būtiski palīdzēt reālam laboratorijas darbam un nākotnē varētu paātrināt zinātnieku darbu.
Jāatzīmē, ka MI laboratorijas cikls tika veikts ar fiksētām uzvednēm un bez cilvēka iejaukšanās. Šī sastatne palīdzēja atklāt modeļa spēju ierosināt patiesi jaunas protokola izmaiņas neatkarīgi no cilvēka vadības, taču tā arī ierobežoja sistēmu izpētē un samazināja tās spēju maksimizēt jaunatklāto ideju veiktspēju. Labāks dinamiskais līdzsvars starp izpēti un izmantošanu, visticamāk, sniegtu lielākus ieguvumus, jo gan enzīmu, gan transformācijas uzlabojumiem ir ievērojamas iespējas pilnveidei. Mēs sagaidām, ka uzlabojumi plānošanā un uzdevumu perspektīvas analīzē uzlabos vienkāršu fiksētu uzvedņu spēju atbalstīt gan atklāšanu, gan turpmāko optimizāciju.
Gibson salikšanas(atveras jaunā logā) reakcija ir bijusi galvenā klonēšanas metode kopš tās izgudrošanas 2009. gadā, un tā ir plaši pieņemta molekulārās bioloģijas jomā. Gibsona salikšana ļauj molekulārajiem biologiem "salīmēt" DNS fragmentus kopā, īslaicīgi izkausējot to galus, lai atbilstošās sekvences varētu tikt noslēgtas vienā molekulā. Viena no galvenajām Gibson salikšanas priekšrocībām ir tās vienkāršība: viss notiek vienā mēģenē vienā temperatūrā. Šie ierobežojumi, protams, nozīmēm to, ka ir vieta izaugsmei. Turklāt šīs īpašības padara to labi piemērotu, novērtējot MI modeļu spējas uzlabot laboratorijas tehnikas.
- Labi definēts ar kontrolētiem komponentiem, atšķirībā no šūnu bāzes sistēmas
- Ir skaidra optimizācijas funkcija: transformējama cirkulāra DNS, kas izveidota no noteikta daudzuma lineāras DNS Ievades
- Salīdzinoši ātri eksperimentu cikli (1-2 dienas)
- Augstdimensiju dizaina telpa, kas prasa mehānistisku apsvēršanu, lai uzlabotu: optimālie buferi, reaģenti un temperatūras ir atkarīgi cits no cita.
Mēs izmantojām patentētu enzīmu sistēmu HiFi assembly(atveras jaunā logā), ko izstrādājusi New England Biolabs un kas balstīta uz Gibson salikšanu kā optimizācijas sākumpunktu. Mēs izpētījām, vai mākslīgais intelekts varētu ieviest jauninājumus un mācīties no eksperimentālās atsauksmes, kad tika noņemti vienpakāpes un izotermiskie ierobežojumi, un tādējādi identificēt protokola uzlabojumus šajā scenārijā.
Konkrēti, mēs veicām divdaļīgu klonēšanas reakciju, izmantojot zaļās fluorescences proteīna (GFP) gēnu un plaši izmantoto pUC19 plazmīdu, kas ir standarta DNS "transportlīdzeklis", ko izmanto gēnu ievadīšanai baktērijās, lai tos varētu kopēt. Mērķis bija palielināt veiksmīgo koloniju skaitu.
Mēs optimizējām klonēšanas reakciju, ieviešot evolūcijas ietvaru priekšlikumu iterēšanai, ļaujot modelim mācīties "tiešsaistē" no saviem iepriekšējiem eksperimentiem. Katrā kārtā GPT‑5 piedāvāja 8-10 dažādu reakciju partiju, un reakcijas tika pārceltas uz vēlākām kārtām, ja tām bija nepieciešami pielāgoti reaģenti, kas laboratorijā nebija uzreiz pieejami. Zinātnieki pēc tam veica reakcijas un sākotnējā pārbaudē izmērīja koloniju skaitu attiecībā pret sākotnējo HiFi Gibson salikšanas etalonu. Iepriekšējās kārtas vislabākie dati tika ievadīti nākamajā kārtā. Svarīgi, ka uzvedņu standartizācija tika veikta bez cilvēka ievades, izņemot precizējošus jautājumus, tādējādi mēs sniedzām jaunas mehānistiskas atziņas tieši mākslīgajam intelektam, nevis cilvēka vadībai.
Mēs atkārtoti pārbaudījām astoņas galvenās reakcijas no pilnās optimizācijas sērijas, izmantojot plašāku DNS atšķaidījumu diapazonu, un konstatējām, ka daudzas no tām uzrādīja mazāku ietekmi nekā sākotnējā pārbaudē; galu galā spēcīgākais apstiprinātais kandidāts bija reakcija no piektās kārtas, kas atkārtoja savu sākotnējo veiktspēju. Daudzi augstas veiktspējas elementi ietilpa ligāzes-poļu saimē, kas šķiet īpaši jutīga pret nelielām variācijām kompetento šūnu stāvoklī un/vai pēcreakcijas DNS apstrādē. Tā kā šajās reakcijās tika izmantots īss HiFi solis, mēs izvirzām hipotēzi, ka daudzi produkti, visticamāk, nonāk E. coli ar tikai vienu noslēgtu savienojumu, bet otru tur savienojums, atstājot tālāku glābšanu šūnu remonta ceļiem. Tas izveido lielu variāciju un "džekpota" dinamiku: pat ja vairumā gadījumu šīs reakcijas varianti nepārspēj, viens spēcīgs izņēmums var nodrošināt ģimenes turpināšanos nākamajās kārtās.
Kamēr mēs koncentrējāmies uz klonēšanas reakcijas optimizēšanu vairāku kārtu laikā tās mehāniskās sarežģītības dēļ, mēs paralēli optimizējām transformācijas procedūru, izmantojot vienu "vienreizēju" kārtu, kur modelis piedāvāja daudzas neatkarīgas izmaiņas, un mēs izvēlējāmies vislabāk veicošo reakciju.
Sākotnējie optimizācijas ekrāni divpakāpju klonēšanas darbplūsmai: enzīmu salikšana un transformācija. (Kreisajā pusē) Enzīmu salikšanas iteratīva optimizācija piecos kārtās (kopā 44 reakcijas). Sākot no HiFi salikšanas pamata, GPT‑5 katrā kārtā ierosināja 8-10 salikšanas protokola variantus; labāko rezultātu dati tika iekļauti turpmākajās uzvednēs. Katrā kārtā mēs attēlojam līdz šim vislabāk izpildīto reakciju (ieskaitot iepriekšējās kārtas). (Pareiza) vienreizēja transformācijas nosacījumu optimizācija, testējot 13 dažādus protokolus. Abiem optimizācijas ekrāniem dati attēlo vienreizējus mērījumus (n=1) katram nosacījumam; atkārtota validācija tika veikta atsevišķi labākajiem kandidātiem.
Izmantojot standartizētas uzvednes bez cilvēka ievades, GPT5 uzlaboja klonēšanas efektivitāti 79 reizes, kas tika apstiprināts eksperimentālajos atkārtojumos.
Ievērojami, ka modelis ierosināja jaunu enzīmu procedūru, kuru modelis nosauca par RecA-asistēto pāru un pabeigšanas HiFi salikšanu (RAPF-HiFi), kas reakcijai pievieno divus jaunus proteīnus: rekombināzi RecA no E. coli un fāga T4 gēna 32 vienpavediena DNS saistošo proteīnu (gp32). Turklāt modelis veica apzinātas izmaiņas inkubācijas temperatūrā un laikā, kā arī fermentu pievienošanas grafikā: tas ierosināja pievienot RecA un gp32 pēc sākotnējās 50°C HiFi reakcijas, ļaujot šiem proteīniem darboties 37°C temperatūrā, un pēc tam atgriezties pie 50°C, lai pabeigtu salikšanu. Kopā šīs jaunās izmaiņas palielināja efektivitāti vairāk nekā 2,5 reizes. Jāņem vērā, ka tas attēlo sākotnējo veiktspēju bez iteratīvas reakcijas apstākļu un laika optimizācijas.
Transformācijas pusē visefektīvākā modifikācija izrādījās negaidīti vienkārša: šūnu centrifugēšana (to griešana centrifūgā, lai tās savāktos mēģenes apakšā), puses noņemšana no piegādātā tilpuma un šūnu atjaunošana pirms DNS pievienošanas, viss pie 4°C. Lai gan augstas efektivitātes ķīmiski kompetentās šūnas parasti tiek uzskatītas par trauslām, šūnas labi izturēja koncentrāciju, un palielinātās molekulārās sadursmes ievērojami palielināja transformācijas efektivitāti (vairāk nekā 30 reizes galīgajā validācijā).
T5 eksonukleāze izveido 3′ pārkares, kuras gp32 stabilizē, nomācot sekundāro struktūru. RecA pēc tam iespiežas no 3′ galiem, izspiežot gp32 un veicinot homoloģijas meklēšanu un saplūšanu. Uzsildot līdz 50 °C, tiek noņemtas abas olbaltumvielas, kas ļauj aizpildīt polimerāzes plaisu un veikt ligāciju.
Gibsona salikšana darbojas, piešķirot DNS fragmentiem saderīgus “lipīgus” galus, lai tie varētu atrast viens otru un savienoties. Reakcijā tiek izmantoti divi dažādi fermenti (polimerāze un ligāze), lai noslēgtu savienotās daļas. RAPF-HiFi sistēmā tika ieviesti divi proteīni, lai saskaņošanas solis darbotos labāk. Pirmais, gp32, darbojas kā ķemme, kas izlīdzina un atšķetina vaļējos DNS galus. Otrs, RecA, darbojas kā ceļvedis, kas meklē katrai virknei pareizo partneri un savieno atbilstošos gabalus. Augstāka temperatūra izraisa abu palīgu atdalīšanos no DNS, ļaujot parastajiem Gibsona enzīmiem pabeigt reakciju.
Kopsavilkumā mēs izvirzām hipotēzi, ka uzlabotā veiktspēja tiek veicināta, izmantojot šādu mehānismu:
- Gp32 pārklāj neapstrādātus vienpavediena DNS (ssDNS) galus, noņemot sekundāro struktūru
- RecA, kuru parasti kavē struktūra, iebrūk no 3' gala un izspiež gp32 pavedienu
- RecA veic ssDNS:ssDNS homoloģijas meklēšanu(atveras jaunā logā), veicinot sapludināšanu
- Atgriešanās pie 50°C izspiež gan recA, gan gp32 pavedienus, ļaujot polimerāzei un ligāzei pabeigt reakciju.
Lai pārbaudītu, vai jaunie fermenti ir funkcionāli, un izslēgtu iespēju, ka veiktspējas uzlabošana ir saistīta tikai ar izmaiņām termiskajos posmos vai buferos, mēs pārbaudījām RAPF-HiFi veiktspēju bez RecA, kā arī bez RecA un gp32. Abu reakciju veiktspēja bija samazināta salīdzinājumā ar RAPF-HiFi, kas liecina, ka abi proteīni ir nepieciešami RAPF-HiFi rīcības mehānismam.
Lai pārbaudītu pamatā esošo mehānismu, mēs atdalām divus jaunus fermentus reakcijā: RecA un gp32. Mēs parādām, ka jebkurš no tiem atsevišķi samazina efektivitāti salīdzinājumā ar HiFi etalonu. Kopā viņi pārspēj bāzi ar 2,6 reizes lielāku efektivitāti. (Kļūdu joslas: SD no n=3 neatkarīgiem eksperimentiem)
RAPF-HiFi izstrāde liecina, ka GPT‑5 spēj veikt sarežģītu, daudzdimensionālu spriešanu:
- RecA tiek inhibēts ar DNS struktūru(atveras jaunā logā), un ir ievērojami, ka modelis ieviesa divas sinerģiskas modifikācijas vienlaikus: pievienot RecA un papildināt to ar gp32, lai noņemtu DNS sekundāro struktūru.
- Dabiskais partneris E. coli RecA ir E. coli vienpavediena saistīšanas proteīns (SSB). SSB pilda līdzīgu lomu kā gp32 genoma replikācijas, rekombinācijas un labošanas procesā. Tomēr E. coli SSB spontāni nenokrīt no DNS pietiekami ātri, lai RecA filaments varētu augt, un RecFOR komplekss veicina RecA nukleāciju pie SSB filamenta in vivo(atveras jaunā logā). SSB saistās kā stabils tetramērs ar ārkārtīgi lēniem atsaistīšanās ātrumiem(atveras jaunā logā). Savukārt gp32 pavediens ir dinamiskāks(atveras jaunā logā), ļaujot RecA pārvietoties.
Pēc mūsu zināšanām RecA un gp32 nav funkcionāli kopā izmantoti molekulārās bioloģijas metodēs. Tāpat kā ar daudzām jaunām molekulārās bioloģijas metodēm, pamatā esošās bioķīmiskās aktivitātes jau tika pētītas, taču to izmantošana kā praktiskas, vispārīgi pielietojamas metodes veido sasniegumu.
Piemēram, RecA un gp32 mijiedarbība ir pētīta mehānistiskās in vitro rekonstrukcijas testos: D cilpas veidošanās pētījumos gp32 tika parādīts(atveras jaunā logā) kā spējīgs pastiprināt RecA aktivitāti. Gp32 ir izmantots kopā ar savu dabisko T4 rekombināzes partneri UvsX un rekombināzes ielādes faktoru uvsY rekombināzes polimerāzes amplifikācijā (RPA(atveras jaunā logā)). Lai gan RPA patenta specifikācija norāda(atveras jaunā logā), ka efektīvas RPA reakcijas ir demonstrētas, izmantojot E. coli RecA heterologā sistēmā ar kompromitētu (t.i., inženierētu, ne savvaļas tipa) gp32 proteīnu, šis apgalvojums parādās tikai kā novirze dažos patenta atklājumos un, pēc mūsu zināšanām, nav atbalstīts ar publicētiem datiem vai pieņemts kā spēcīga RecA bāzēta RPA sistēma. Viena klonēšanas metode, ko sauc par SLiCE(atveras jaunā logā), izmanto veselu šūnu izvilkumu no E. coli, kas satur λ Red rekombinācijas sistēmu, kur Red Beta var pildīt divas lomas gan kā DNS saistošs proteīns, gan kā rekombināze (lai gan mēs skaidri aizliedzām izmantot šūnu ekstraktus mūsu uzvednē). Citā lietotnē Ferrin & Camerini-Otero(atveras jaunā logā) izmantoja tikai RecA, lai selektīvi uztvertu DNS molekulas, pamatojoties uz atbilstošām secībām. Atsevišķi, gp32 ir izmantots kā piedeva(atveras jaunā logā) DNS amplifikācijas procesā, ko sauc par PCR, lai samazinātu sekundāro struktūru. Tika parādīts, ka NABSA pastiprināšanu(atveras jaunā logā) veicina gan RecA, gan gp32, lai gan katrs varēja pastiprināt reakciju atsevišķi, un sinerģija netika identificēta. Plašākā mērogā, ziņotie uzlabojumi Gibson stila DNS salikšanas reakcijās ir bijuši reti, ar visnozīmīgāko piemēru - karstumizturīgs DNS saistošs proteīns (ET SSB), kas uzlabo salikšanas efektivitāti aptuveni 2,5 reizes(atveras jaunā logā).
Lielākajā daļā no lietotnēm mēs negaidām, ka RAPF-HiFi konkurēs ar HiFi/Gibson klonēšanas vienkāršību un robustumu. Tomēr ir ievērojama mehāniski atšķirīga salikšanas ceļa parādīšanās: GPT‑5 nonāca pie risinājuma, kas ietver nepazīstamu rekombinācijas proteīnu un reakcijas dinamiku kombināciju. Pamatmehānisms var izrādīties modulārs, nodrošinot komponentus, kurus var pārveidot vai apvienot citās molekulārajās darbplūsmās. Mēs arī turpinām izpētīt uzlabojumus RAPF-HiFi. Reakcijas temperatūras un soļu ilgumi var tikt pielāgoti, lai līdzsvarotu RecA un gp32 aktivitāti pret eksonukleāzes pārmērīgu sagremošanu, un abu proteīnu daudzumi vēl ir jāoptimizē. GPT‑5 ir arī ierosinājis hiperaktīvu RecA variantu, kuru mēs pašlaik attīrām.
Attiecībā uz transformācijas protokolu, veiksmīgie optimizācijas nosacījumi aptvēra dažādus piedevas un termiskās perturbācijas, kas paredzētas, lai uzlabotu komerciālo 10-beta kompetento šūnu(atveras jaunā logā) karstuma šoka efektivitāti. No 13 MI ģenerētajām vienreizējām transformācijām, kas tika pārbaudītas, visefektīvākā modifikācija - Transformācija 7 (T7) centrifugēja šūnas, noņemot pusi no piegādātā tilpuma un atkal suspendējot šūnas pirms DNS pievienošanas, visu to veicot 4°C temperatūrā. Augstas efektivitātes ķīmiski kompetentās šūnas parasti tiek uzskatītas par trauslām, un no šādām apstrādes darbībām parasti izvairās. Tomēr šūnas labi panes koncentrāciju. Kombinētā ietekme no palielinātas DNS iedarbības uz katru šūnu un mazākas inhibējošā bufera iedarbības, kas izraisa asāku karstuma šoku, radīja ievērojamu transformācijas efektivitātes pieaugumu (vairāk nekā 30 reizes).
Šis transformācijas protokols ir jauns, lai gan ir ziņots par konceptuāli līdzīgu pieeju(atveras jaunā logā), kur šūnas tiek koncentrētas agrākā posmā. Jāatzīmē, ka šeit izstrādātā metode ar GPT‑5 ir saderīga ar gatavām ķīmiski kompetentām šūnām, novēršot nepieciešamību pēc šūnu sagatavošanas uz vietas un vienlaikus pārsniedzot līdzīgas pieejas ziņotās efektivitātes pieaugumu salīdzināmās šūnu līnijās.
Lai palielinātu šī modeļa eksperimentālās sistēmas caurlaidību, Robot on Rails un Red Queen Bio sadarbojās, lai izveidotu robotizētu sistēmu, kas pieņem dabiskās valodas klonēšanas protokolu un izpilda to laboratorijā.
Sistēma apvieno trīs komponentus: 1) cilvēka-robota LLM, kas pārvērš vienkāršu angļu valodu robota darbībās; 2) redzes sistēmu, kas reāllaikā identificē un lokalizē laboratorijas aprīkojumu; un 3) robota ceļa plānotāju, kas nosaka, kā droši un precīzi veikt katru rīcību. Rezultāts ir elastīgs, vispārējs laboratorijas robots, kas tika vēl vairāk optimizēts Gibson klonēšanas protokola variantiem.
Mēs pārbaudījām, vai autonomais robots spēj veikt pilnīgu klonēšanas eksperimentu, vienlaikus izpildot divus protokolus: standarta HiFi metodi un R8, visveiksmīgāko mākslīgā intelekta modificēto protokolu no pirmās optimizācijas kārtas.
Mēs salīdzinājām robota darbu ar cilvēku veiktajiem eksperimentiem katrā solī. Robots veiksmīgi veica transformācijas procesu, kas prasīja dažādas fiziskas darbības: šķidrumu pārsūtīšanu un sajaukšanu, paraugu cauruļu pārvietošanu, kontrolēta siltuma pielietošanu šūnām un šūnu izplatīšanu uz augšanas plāksnēm. Salīdzinot tieši ar cilvēku veiktajām transformācijām, robots ģenerēja līdzīgas kvalitātes datus ar līdzvērtīgiem uzlabojumiem salīdzinājumā ar sākotnējo līmeni, parādot agrīnu potenciālu bioloģisko eksperimentu optimizācijas automatizēšanai un paātrināšanai.
Lai gan salīdzinot robota un cilvēka eksperimentus, izmaiņas locījumā bija līdzīgas, absolūtie koloniju skaitļi no robota bija aptuveni desmit reizes zemāki nekā manuālajā izpildē, norādot uz uzlabošanas iespējām, piemēram, šķidrumu apstrādes precizitāti, temperatūras kontroles kalibrēšanu un manuālo šūnu apstrādes tehniku nianses atkārtošanu.
Gan standarta HiFi metodi (bāzes līniju), gan uzlaboto R8 metodi izpildīja pētnieki un autonomais robots ar transformācijas efektivitāti, kas normalizēta attiecībā pret attiecīgajām HiFi bāzes līnijas kontrolēm (noteikta uz 1,0). Cilvēka izpildīts R8 uzrādīja 2,39 reizes lielāku uzlabojumu; robota izpildīts R8 sasniedza 2,13 reizes lielāku uzlabojumu (89% no cilvēka veiktspējas), demonstrējot salīdzināmu protokola klasifikāciju par spīti zemākiem absolūtajiem ieguvumiem.
Mēs uzskatām, ka šie eksperimenti piedāvā nelielu ieskatu tajā, kā nākotnē izskatīsies ar mākslīgo intelektu paātrināta zinātne: modeļi, kas nepārtraukti mācās un mijiedarbojas ar reālo pasauli. Lai gan mūsu eksperimentos tika izslēgta cilvēka iejaukšanās, lai tīri izmērītu modeļa spējas, mēs esam īpaši sajūsmināti par MI palīdzību cilvēku zinātniekiem eksperimentu izstrādē un ieguldījumu pētniecības atklājumos.
Strādājot pie zinātniskā progresa paātrināšanas droši un atbildīgi, mēs arī cenšamies novērtēt un samazināt riskus, īpaši tos, kas saistīti ar bioloģisko drošību. Šie novērtējumu rezultāti parāda, ka modeļi var izdarīt apsvērumus laboratorijas apstākļos, lai uzlabotu protokolus, un tiem var būt ietekme uz bioloģisko drošību, kā aprakstīts mūsu Gatavības sistēmā(atveras jaunā logā). Mēs esam apņēmušies veidot nepieciešamos un niansētos aizsardzības pasākumus modeļa un sistēmas līmenī, lai samazinātu šos riskus, kā arī izstrādāt novērtējumus, lai izsekotu pašreizējos līmeņus.
