വെറ്റ് ലാബിൽ ജീവശാസ്ത്ര ഗവേഷണം വേഗത്തിലാക്കുന്നതിന് AI യുടെ കഴിവ് വിലയിരുത്തുന്നു
GPT‑5, ഒരു തന്മാത്രാ ക്ലോണിംഗ് പ്രോട്ടോക്കോൾ 79 മടങ്ങ് കാര്യക്ഷമതയോടുകൂടി ഒപ്റ്റിമൈസ് ചെയ്ത്കൊണ്ട്, പുതിയ വെറ്റ് ലാബ് പ്രോട്ടോക്കോളില് മെച്ചപ്പെടുത്തലുകള് വരുത്തി.
AI മനുഷ്യരാശിക്ക് പ്രയോജനപ്പെടുന്ന ഏറ്റവും മൂല്യവത്തായ മാർഗ്ഗങ്ങളിൽ ഒന്നാണ് ശാസ്ത്രീയ പുരോഗതി ത്വരിതപ്പെടുത്തുക എന്നത്. GPT‑5‑യുടെ സഹായത്തോടെ നമ്മള് ഇതിന്റെ ആദ്യകാല ലക്ഷണങ്ങൾ കാണാൻ തുടങ്ങുന്നു—ഇത് ശാസ്ത്ര സാഹിത്യത്തിലൂടെ ഗവേഷകരെ വേഗത്തിൽ നീങ്ങാൻ സഹായിക്കുന്നതിൽ മാത്രമല്ല, പ്രതീക്ഷിക്കാത്ത ബന്ധങ്ങൾ കണ്ടെത്തൽ, പ്രൂഫ് സ്ട്രറ്റെജികള് നിർദ്ദേശിക്കൽ, വിദഗ്ധർക്ക് വിലയിരുത്തുകയും പരീക്ഷിക്കുകയും ചെയ്യാവുന്ന വിശ്വസനീയമായ യുക്തികൾ നിർദ്ദേശിക്കൽ പോലുള്ള പുതിയ ശാസ്ത്രീയ യുക്തികൾ പിന്തുണയ്ക്കുന്നതില് പോലുമുണ്ട്.
ഇതുവരെ ഗണിതശാസ്ത്രം, സൈദ്ധാന്തിക ഭൗതികശാസ്ത്രം, സൈദ്ധാന്തിക കമ്പ്യൂട്ടർ ശാസ്ത്രം പോലുള്ള മേഖലകളിൽ പുരോഗതി ഏറ്റവും വ്യക്തമായിട്ടുണ്ട്, കാരണം അവിടെയെല്ലാം ആശയങ്ങൾ ഭൗതിക പരീക്ഷണങ്ങള് ഇല്ലാതെ കൃത്യമായി പരിശോധിക്കാന് കഴിയും. എന്നാല് ജീവശാസ്ത്രം വ്യത്യസ്തമാണ്: ഇവിടെ ഭൂരിഭാഗം പുരോഗതികൾ പരീക്ഷണാത്മക നടപ്പാക്കലിനേയും ആവർത്തനത്തിനേയും ലബോറട്ടറിയിലെ അനുഭവപരിശോധനാ സാധൂകരണത്തിനെയും ആശ്രയിച്ചിരിക്കുന്നു.
ഈ സാഹചര്യങ്ങളിൽ ഫ്രോണ്ടിയർ മോഡലുകൾ എങ്ങനെ പെരുമാറുന്നു എന്ന് മനസ്സിലാക്കാൻ സഹായിക്കുന്നതിനായി, ബയോസെക്യൂരിറ്റി സ്റ്റാർട്ട്-അപ്പ് റെഡ് ക്വീൻ ബയോയുമായി ചേർന്ന്, ഒരു മോഡൽ ആശയങ്ങൾ വെറ്റ് ലാബിൽ നിർദ്ദേശിക്കുന്നതും, വിശകലനം ചെയ്യുന്നതും, ആവർത്തിക്കുന്നതും എങ്ങനെ എന്നതിനെ പരിശോധിക്കുന്ന ഒരു മൂല്യനിർണ്ണയ ചട്ടക്കൂട് നിർമ്മിച്ചു. ഞങ്ങൾ ഒരു ലളിതമായ മോളിക്യുലർ ബയോളജി പരീക്ഷണ സംവിധാനമൊരുക്കി, മോളിക്യുലർ ക്ലോണിംഗ് പ്രോട്ടോക്കോളിന്റെ കാര്യക്ഷമതയ്ക്കായി GPT‑5 ഉപയോഗിച്ച് മെച്ചപ്പെടുത്താൻ അനുവദിച്ചു.
പല പരീക്ഷണ റൗണ്ടുകൾക്കു ശേഷം, 79 മടങ്ങ് ക്ലോണിംഗ് കാര്യക്ഷമത മെച്ചപ്പെടുത്തുന്ന ഒരു പുതുമയാർന്ന സംവിധാനത്തെ GPT‑5 അവതരിപ്പിച്ചു. ക്ലോണിംഗ് ഒരു അടിസ്ഥാനപരമായ മോളിക്യുലർ ബയോളജി ഉപകരണം ആണ്. ക്ലോണിംഗ് രീതികളുടെ കാര്യക്ഷമത പ്രോട്ടീൻ എഞ്ചിനീയറിംഗ്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), ജനിതക സ്ക്രീനുകൾ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), ഓർഗനിസ്മൽ സ്ട്രെയിൻ എഞ്ചിനീയറിംഗ്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) എന്നിവയുടെ കേന്ദ്രഭാഗമായ വലുതും, സങ്കീർണ്ണവുമായ ലൈബ്രറികൾ സൃഷ്ടിക്കുന്നതിന് നിർണായകമാണ്. ഈ പദ്ധതി, ഗവേഷണം വേഗത്തിലാക്കാൻ ജീവശാസ്ത്രജ്ഞരോടൊപ്പം A-യ്ക്ക്I എങ്ങനെ പ്രവർത്തിക്കാമെന്ന് ഒരു സൂചന നൽകുന്നു. പരീക്ഷണ രീതികൾ മെച്ചപ്പെടുത്തുന്നതിലൂടെ മനുഷ്യ ഗവേഷകർക്ക് വേഗത്തിൽ മുന്നേറാനും ചെലവുകൾ കുറയ്ക്കാനും കണ്ടെത്തലുകൾ കൊണ്ട് യഥാർത്ഥ ലോകത്തിൽ സ്വാധീനം ചെലുത്താനും സഹായിക്കും.
ജീവശാസ്ത്ര ചിന്തയിലെ പുരോഗതികൾ ജൈവസുരക്ഷാ പ്രത്യാഘാതങ്ങൾ ഉണ്ടാക്കുന്നതിനാൽ, ഞങ്ങൾ ഈ പ്രവർത്തനം കർശനമായി നിയന്ത്രിച്ച സാഹചര്യത്തിലാണ് നടത്തിയത്—ഒരു ഹാനികരമല്ലാത്ത പരീക്ഷണ സംവിധാനവും, ടാസ്കിന്റെ പരിധി പരിമിതപ്പെടുത്തലും, മോഡൽ പെരുമാറ്റം വിലയിരുത്തലും ഉപയോഗിച്ച് ഞങ്ങളുടെ ജൈവസുരക്ഷാ അപകടസാധ്യതാ വിലയിരുത്തലുകൾക്കും മോഡൽ-തല, സിസ്റ്റം തല സുരക്ഷാ നടപടികളുടെ വികസനത്തിനും ഞങ്ങളുടെ തയ്യാറെടുപ്പ് ചട്ടക്കൂട്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) വിവരിക്കുന്നതുപോലെ ആണ് ചെയ്തത്.
ഈ ക്രമീകരണത്തിൽ, GPT‑5 സ്വയം ക്ലോണിംഗ് പ്രോട്ടോക്കോളുകളെ കുറിച്ച് ചിന്തിച്ചു, മാറ്റങ്ങൾ നിർദ്ദേശിച്ചു, പുതിയ പരീക്ഷണങ്ങളിൽ നിന്നുള്ള ഡാറ്റ ഉൾപ്പെടുത്തി കൂടുതൽ മെച്ചപ്പെടുത്തലുകൾ നിർദ്ദേശിച്ചു. മനുഷ്യ ഇടപെടൽ ഉണ്ടായത് ശാസ്ത്രജ്ഞർ മാറ്റം വരുത്തിയ പ്രോട്ടോക്കോൾ നടപ്പിലാക്കുകയും പരീക്ഷണ ഡാറ്റ അപ്ലോഡ് ചെയ്യുകയും ചെയ്യുന്നതിൽ മാത്രമായിരുന്നു.
പല റൗണ്ടുകൾനടത്തുക വഴി, GPT‑5 ക്ലോണിംഗ് പ്രക്രിയയെ 79x-ലധികം കാര്യക്ഷമമായി മെച്ചപ്പെടുത്തി— ഇത് അർത്ഥമാക്കുന്നത്, നിശ്ചിത അളവിലെ ഇൻപുട്ട് DNA-ക്കായി, അടിസ്ഥാന പ്രോട്ടോക്കോളിനേക്കാൾ 79x കൂടുതൽ സീക്വൻസ്-സ്ഥിരീകരിച്ച ക്ലോണുകൾ ഞങ്ങൾ വീണ്ടെടുത്തു എന്നാണ്. പ്രധാനമായും, ഇത് ഒരു പുതിയ സംവിധാനത്തിന്റെ ഭാഗമായ രണ്ട് എൻസൈമുകൾ പരിചയപ്പെടുത്തി: E. coli നിന്നുള്ള recombinase RecA, ഫേജ് T4 ജീൻ 32 സിംഗിൾ-സ്ട്രാൻഡഡ് ഡിഎൻഎ-ബൈൻഡിംഗ് പ്രോട്ടീൻ (gp32). ഒന്നിച്ചുപ്രവർത്തിക്കുമ്പോൾ, gp32 ഡിഎൻഎയുടെ അറ്റങ്ങൾ മൃദുവാക്കുകയും അഴിച്ചുമാറ്റുകയും ചെയ്യുന്നു, തുടർന്ന് RecA ഓരോ സ്ട്രാൻഡിനെയും അതിന്റെ ശരിയായ ചേര്ച്ചയിലേക്ക് നയിക്കുന്നു.
പ്രാഥമിക സ്ക്രീനിംഗ്, രണ്ടാം ഘട്ട പരീക്ഷണങ്ങൾ RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF) നെ ഏറ്റവും മികച്ച എൻസൈമാറ്റിക് പ്രോട്ടോക്കോളായി, Transformation 7 (T7) നെ പരിവർത്തന പ്രോട്ടോക്കോളായി തിരിച്ചറിഞ്ഞു. RAPF അസംബ്ലിയും T7 ട്രാൻസ്ഫോർമേഷനും സ്വതന്ത്രമായി അടിസ്ഥാന HiFi റിയാക്ഷൻ ക്ലോണിംഗ് പ്രോട്ടോക്കോളിനേക്കാൾ ക്ലോണിംഗ് കാര്യക്ഷമത യഥാക്രമം 2.6 മടങ്ങും 36 മടങ്ങും വീതം മെച്ചപ്പെടുത്തി; കൂടാതെ 79 മടങ്ങ് പ്രകടന മെച്ചപ്പെടുത്തലിന് ചേർന്നാണ് പ്രവർത്തിച്ചത്. എല്ലാ ക്ലോണുകളും സീക്വൻസിംഗ് വഴി സ്ഥിരീകരിക്കപ്പെട്ടു. (പിശക് ബാറുകൾ: n=3 സ്വതന്ത്രമായ സ്ഥിരീകരണ പരീക്ഷണങ്ങളുടെ SD).
ആദ്യഘട്ടത്തിലാണെങ്കിലും, ഈ ഫലങ്ങൾ പ്രോത്സാഹനകരമാണ്. ഈ മെച്ചപ്പെടുത്തലുകൾ ഞങ്ങളുടെ മോഡൽ സിസ്റ്റത്തിൽ ഉപയോഗിക്കുന്ന സ്പെസിഫിക്ക് ആയ ക്ലോണിംഗ് ക്രമീകരണത്തിന് പ്രത്യേകമായതാണ്, ഇപ്പോഴും പ്രോട്ടോകോളുകൾ സജ്ജമാക്കാനും പ്രവർത്തിപ്പിക്കാനും മനുഷ്യ ശാസ്ത്രജ്ഞരെ ആവശ്യമുണ്ട്. എങ്കിലും, ഈ പരീക്ഷണങ്ങൾ AI സിസ്റ്റങ്ങൾ യഥാർത്ഥ ലബോറട്ടറി പ്രവർത്തനത്തെ അർത്ഥവത്തായ രീതിയിൽ സഹായിക്കുകയും ഭാവിയിൽ മനുഷ്യ ശാസ്ത്രജ്ഞരുടെ പ്രവർത്തന വേഗത വർദ്ധിപ്പിക്കുകയും ചെയ്യുമെന്ന് കാണിക്കുന്നു.
പ്രധാനമായ കാര്യം, AI-ലാബ് ലൂപ്പ് നിശ്ചിത പ്രോംപ്റ്റിംഗോടും മനുഷ്യ ഇടപെടലില്ലാതെയും പ്രവർത്തിച്ചു എന്നതാണ്. ഈ സ്കാഫോൾഡിംഗ് മോഡലിന് മനുഷ്യ മാർഗ്ഗനിർദ്ദേശം കൂടാതെതന്നെ യഥാർത്ഥത്തിൽ പുതിയ പ്രോട്ടോക്കോൾ മാറ്റങ്ങൾ നിർദ്ദേശിക്കുന്നതിനുള്ള ശേഷി ഉണ്ടെന്നു വെളിപ്പെടുത്താൻ സഹായിച്ചു, പക്ഷേ ഇത് സിസ്റ്റത്തെ അന്വേഷണത്തിലേക്ക് പൂട്ടുകയും പുതുതായി കണ്ടെത്തിയ ആശയങ്ങളുടെ പ്രകടനം പരമാവധി ആക്കാനുള്ള കഴിവിനെ പരിമിതവും ആക്കി. അന്വേഷണവും ഉപയോഗവും തമ്മിലുള്ള മികച്ച ഡൈനാമിക് ബാലൻസ് കൂടുതൽ നേട്ടങ്ങൾ നൽകാൻ സാധ്യതയുണ്ട്, കാരണം എന്സൈമാറ്റിക് മെച്ചപ്പെടുത്തലുകൾക്കും പരിവർത്തന മെച്ചപ്പെടുത്തലുകൾക്കും പരിഷകരണത്തിനുള്ള വൻ സാധ്യതയുണ്ട്. പ്ലാനിംഗ്, ടാസ്ക്-ഹൊറൈസൺ റീസണിംഗ് എന്നിവയിലെ പുരോഗതി ലളിതമായ നിശ്ചിത പ്രോംപ്റ്റുകൾക്ക് കണ്ടെത്തലും തുടർന്ന് ഒപ്റ്റിമൈസേഷനും സഹായം നൽകാനുള്ള കഴിവ് മെച്ചപ്പെടുത്തുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.
ഗിബ്സൺ അസംബ്ലി(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പ്രതിപ്രവര്ത്തനം 2009-ൽ കണ്ടുപിടിച്ചത് മുതല് പ്രാഥമിക ക്ലോണിംഗ് രീതിയായി തുടരുന്നു, ഇത് മോളിക്യുലർ ബയോളജിയിൽ വ്യാപകമായി സ്വീകരിക്കപ്പെട്ടിരിക്കുന്നു. ഗിബ്സൺ അസംബ്ലി, ഡിഎൻഎയുടെ ഭാഗങ്ങളെ അറ്റങ്ങൾ ചുരുങ്ങിയ സമയംകൊണ്ട് ഉരുകി ചേരുന്ന ക്രമങ്ങൾ ഒരു ഒറ്റ തന്മാത്രയിലെക്ക് മാത്രമാക്കാന് കഴിയുന്ന വിധത്തിൽ, മോളിക്യുലർ ജൈവശാസ്ത്രജ്ഞന്മാര്ക്ക് അവയെ "ഒന്നിച്ച് ചേർക്കാൻ" അനുവദിക്കുന്നു. ഗിബ്സൺ അസംബ്ലിയുടെ ഒരു പ്രധാന ആകര്ഷണം അതിന്റെ ലാളിത്യമാണ്: എല്ലാം ഒരൊറ്റ ട്യൂബിൽ ഒരു താപനിലയിൽ നടക്കുന്നു. ആ നിയന്ത്രണങ്ങൾ സ്വാഭാവികമായും മെച്ചപ്പെടുത്തലിന് ഇടം നൽകുന്നു. കൂടാതെ, താഴെപ്പറയുന്ന ഗുണങ്ങൾ എഐ മോഡലുകളുടെ കഴിവുകൾ വെറ്റ് ലാബ് സാങ്കേതികവിദ്യകൾ മെച്ചപ്പെടുത്തുന്നത് വിലയിരുത്താൻ അനുയോജ്യമാക്കുന്നു:
- നന്നായി നിർവചിക്കപ്പെട്ട, നിയന്ത്രിത ഘടകങ്ങളുള്ള, സെൽ അടിസ്ഥാനത്തിലുള്ള സിസ്റ്റത്തിൽ നിന്ന് വ്യത്യസ്തമായി
- വ്യക്തമായ ഒരു ഓപ്റ്റിമൈസേഷൻ ഫംഗ്ഷൻ ഉണ്ട്: നിശ്ചിത അളവിലുള്ള ലീനിയർ DNA ഇൻപുട്ടുകളിൽ നിന്ന് നിർമ്മിച്ച മാറ്റം വരുത്താവുന്ന സർക്കുലറൈസ്ഡ് DNA
- ആപേക്ഷികമായി വേഗത്തിലുള്ള പരീക്ഷണ ചക്രങ്ങൾ (1-2 ദിവസം)
- മെക്കാനിസ്റ്റിക് റീസണിംഗ് ഉപയോഗിച്ച് മെച്ചപ്പെടുത്തേണ്ട ഉയർന്ന-അളവിലുള്ള ഡിസൈൻ സ്പേസ്: ഓപ്റ്റിമൽ ബഫറുകൾ, രാസവസ്തുക്കൾ, താപനിലകൾ എന്നിവ പരസ്പരം ആശ്രിതമാണ്
ഞങ്ങൾ HiFi assembly(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), New England Biolabs വികസിപ്പിച്ച Gibson അസംബ്ലി അടിസ്ഥാനമാക്കിയുള്ള ഒരു പ്രോപ്രൈറ്ററി എൻസൈം സിസ്റ്റം, ഒപ്റ്റിമൈസേഷന്റെ ആരംഭ ബിന്ദുവായി ഉപയോഗിച്ചു. ഒരു AI നവീകരിക്കുകയും പരീക്ഷണ ഫീഡ്ബാക്കിൽ നിന്ന് പഠിക്കുകയും ചെയ്യുമോഎന്നത് ഉപയോഗിച്ച്, സിംഗിൾ-സ്റ്റെപ്പ് ഐസോതെർമൽ നിയന്ത്രണങ്ങൾ നീക്കംചെയ്തശേഷം, ഈ സാഹചര്യത്തിൽ പ്രോട്ടോക്കോൾ മെച്ചപ്പെടുത്തലുകൾ കണ്ടെത്താൻ കഴിയുമോ എന്ന് ഞങ്ങൾ പരിശോധിച്ചു.
വ്യക്തമായി പറഞ്ഞാല്, നാം ഗ്രീൻ ഫ്ലോറസന്റ് പ്രോട്ടീൻ (GFP) എന്ന ജീനും വ്യാപകമായി ഉപയോഗിക്കുന്ന pUC19 പ്ലാസ്മിഡും ഉപയോഗിച്ച് രണ്ട് ഘടകങ്ങളുള്ള ക്ലോണിംഗ് പ്രതികരണം നടത്തി, ഇത് ജീനുകൾ ബാക്ടീരിയയിലേക്ക് കൊണ്ടുപോകാൻ ഉപയോഗിക്കുന്ന ഒരു സ്റ്റാൻഡേർഡ് ഡിഎൻഎ "വാഹനം" ആണ്, അവ പകർത്താൻ കഴിയുന്ന വിധത്തിൽ. വിജയകരമായ കോളനികളുടെ എണ്ണം വർദ്ധിപ്പിക്കുക എന്നതായിരുന്നു ലക്ഷ്യം.
മോഡലിനെ അതിന്റെ മുൻകാല പരീക്ഷണങ്ങളിൽ നിന്ന് "ഓൺലൈനിൽ" പഠിക്കാൻ പ്രാപ്തമാക്കുന്ന തരത്തിൽ, പ്രൊപ്പോസലുകളിൽ ആവർത്തിക്കുന്നതിനുള്ള ഒരു പരിണാമ ചട്ടക്കൂട് അവതരിപ്പിച്ചുകൊണ്ട് ഞങ്ങൾ ക്ലോണിംഗ് പ്രതികരണം ഒപ്റ്റിമൈസ് ചെയ്തു. ഓരോ റൗണ്ടിലും, GPT‑5 8-10 വ്യത്യസ്ത പ്രതിപ്രവർത്തനങ്ങളുടെ ഒരു ബാച്ച് നിർദ്ദേശിച്ചു, ലബോറട്ടറിയിൽ എളുപ്പത്തിൽ ലഭ്യമല്ലാത്ത ഇഷ്ടാനുസൃത റിയാജന്റുകൾ ആവശ്യമെങ്കിൽ, ആ പ്രതിപ്രവർത്തനങ്ങൾ പിന്നീടുള്ള റൗണ്ടുകളിലേക്ക് മാറ്റി. മനുഷ്യ ശാസ്ത്രജ്ഞർ പിന്നീട് പ്രതികരണങ്ങൾ നടത്തി, പ്രാരംഭ സ്ക്രീനിൽ അടിസ്ഥാന ഹൈഫൈ ഗിബ്സൺ അസംബ്ലിയുമായി താരതമ്യപ്പെടുത്തിക്കൊണ്ട് കോളനികളുടെ എണ്ണം അളന്നു. മുൻ റൗണ്ടിൽ ഏറ്റവും മികച്ച പ്രകടനം കാഴ്ചവച്ച ഡാറ്റയെ തുടർന്ന് അടുത്തത് റൗണ്ടിലേക്കും നല്കി. പ്രധാനമായും,വ്യക്തമാക്കിയ ചോദ്യങ്ങൾ ഒഴികെ മനുഷ്യ ഇൻപുട്ട് ഇല്ലാതെ പ്രോംപ്റ്റിംഗ് സ്റ്റാൻഡേർഡ് ചെയ്തു, ഇത് നൂതന മെക്കാനിസ്റ്റിക് ഉൾക്കാഴ്ചകൾ നേരിട്ട് AI-യിലേക്ക് ആട്രിബ്യൂട്ട് ചെയ്യാൻ ഞങ്ങളെ അനുവദിച്ചു, അതും മനുഷ്യ മാർഗ്ഗനിർദ്ദേശം കൂടാതെ തന്നെ.
പൂർണ്ണ ഓപ്റ്റിമൈസേഷൻ പരമ്പരയിൽ നിന്നുള്ള എട്ട് മുൻനിര പ്രതികരണങ്ങൾ ഞങ്ങൾ കൂടുതൽ വ്യാപകമായ ഡിഎൻഎ ഡൈല്യൂഷനുകൾ ഉപയോഗിച്ച് വീണ്ടും പരിശോധിച്ചു, പലതും ആദ്യം സ്ക്രീന് ചെയ്തപ്പോള് കാണിച്ചതിനേക്കാള് ചെറിയ ഫലങ്ങൾ കാണിച്ചതായി കണ്ടെത്തി; ഒടുവിൽ, സ്ഥിരീകരിച്ച ഏറ്റവും ശക്തമായ സ്ഥാനാർത്ഥി റൗണ്ട്-5 ലെ ഒരു പ്രതികരണമായിരുന്നു, അത് അതിന്റെ യഥാർത്ഥ പ്രകടനം പുനരാവിഷ്കരിച്ചു. ഉയർന്ന പ്രകടനം കാഴ്ചവെച്ച പലരും ലിഗേസ്-മിനുക്കൽ കുടുംബത്തിലേക്ക് വീണു, ഇത് പ്രത്യേകിച്ച് സജ്ജമായ സെൽ അവസ്ഥയിലോ പോസ്റ്റ്-പ്രതികരണ ഡിഎൻഎ കൈകാര്യം ചെയ്യലിലോ ചെറിയ വ്യത്യാസങ്ങൾക്കു അത്യന്തം വിധേയമാണ്. ഈ പ്രതിപ്രവർത്തനങ്ങൾ ഒരു ചെറിയ HiFi ഘട്ടം ഉപയോഗിച്ചതിനാൽ, പല ഉൽപ്പന്നങ്ങളും E. coli യിലേക്ക് പ്രവേശിക്കുന്നത് ഒരു ജംഗ്ഷൻ മാത്രം സീൽ ചെയ്തും മറ്റൊന്ന് അനീലിംഗ് വഴി പിടിച്ചും ആയിരിക്കുമെന്ന് ഞങ്ങൾ അനുമാനിക്കുന്നു, ഇത് ഡൗൺസ്ട്രീം റെസ്ക്യൂവിനെ സെല്ലുലാർ റിപ്പയർ പാതകളിലേക്ക് നയിക്കുന്നു. ഇത് ഉയർന്ന വ്യത്യാസവും 'ജാക്ക്പോട്ട്' വ്യത്യസ്തതയും സൃഷ്ടിക്കുന്നു: ഈ പ്രതികരണത്തിന്റെ ഭൂരിഭാഗം വേരിയന്റുകൾ മികച്ച പ്രകടനം കാഴ്ചവെക്കാത്തതിനാല്, ഒരു ശക്തമായ വ്യത്യസ്തത കുടുംബത്തെ തുടർ റൗണ്ടുകളിലേക്ക് നയിക്കാൻ കഴിയും.
ക്ലോണിംഗ് പ്രതികരണത്തിന്റെ മെക്കാനിസ്റ്റിക് സങ്കീർണ്ണത കാരണം, അതിന്റെ ഓപ്റ്റിമൈസേഷനിൽ ഞങ്ങൾ റൗണ്ടുകൾക്കിടയിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചപ്പോൾ, സമാന്തരമായി, മോഡൽ പല സ്വതന്ത്ര മാറ്റങ്ങളും നിർദ്ദേശിച്ച ഒരു "വൺ-ഷോട്ട്" റൗണ്ട് ഉപയോഗിച്ച് ട്രാൻസ്ഫോർമേഷൻ പ്രക്രിയയും ഓപ്റ്റിമൈസ് ചെയ്തു, ഏറ്റവും മികച്ച പ്രകടനം കാഴ്ചവെച്ച പ്രതികരണം ഞങ്ങൾ സ്വീകരിച്ചു.
രണ്ടു ഘട്ട ക്ലോണിംഗ് പ്രവൃത്തി പ്രവാഹത്തിന്റെ പ്രാരംഭ ഓപ്റ്റിമൈസേഷൻ സ്ക്രീനുകൾ: എൻസൈമാറ്റിക് അസംബ്ലി, ട്രാൻസ്ഫോർമേഷൻ. (ഇടത്) അഞ്ചു റൗണ്ടുകളിൽ (മൊത്തം 44 പ്രതികരണങ്ങൾ) ആവർത്തിക്കുന്ന എൻസൈമാറ്റിക് അസംബ്ലിയുടെ ഓപ്റ്റിമൈസേഷൻ. HiFi അസംബ്ലി അടിസ്ഥാനത്തിൽ നിന്ന് ആരംഭിച്ച്, GPT‑5 ഓരോ റൗണ്ടിലും 8-10 അസംബ്ലി പ്രോട്ടോക്കോൾ വകഭേദങ്ങൾ നിർദ്ദേശിച്ചു; മികച്ച പ്രകടനം കാഴ്ചവെച്ച ഫലങ്ങളുടെ ഡാറ്റ തുടർന്നുള്ള പ്രോംപ്റ്റുകളിൽ ഉൾപ്പെടുത്തി. ഓരോ റൗണ്ടിലും, ഇതുവരെ ഏറ്റവും മികച്ച പ്രകടനം കാഴ്ചവച്ച പ്രതികരണം (മുൻ റൗണ്ടുകൾ ഉൾപ്പെടെ) ഞങ്ങൾ പ്ലോട്ട് ചെയ്യുന്നു. (വലത്) 13 വ്യത്യസ്ത പ്രോട്ടോക്കോളുകൾ പരിശോധിക്കുന്ന പരിവർത്തന സാഹചര്യങ്ങളുടെ ഒറ്റതവണ മെച്ചപ്പെടുത്തൽ. രണ്ട് ഒപ്റ്റിമൈസേഷൻ സ്ക്രീനുകൾക്കായി, ഓരോ സാഹചര്യത്തിനും ഡാറ്റ ഒറ്റ അളവുകൾ (n=1) പ്രതിനിധീകരിക്കുന്നു; മികച്ച സ്ഥാനാർത്ഥികൾക്കായി പുനരാവർത്തിച്ച സ്ഥിരീകരണം വേർതിരിച്ച് നടത്തി.
മനുഷ്യ ഇൻപുട്ട് ഇല്ലാതെ സ്റ്റാൻഡേർഡൈസ്ഡ് പ്രോംപ്റ്റുകൾ ഉപയോഗിച്ച്, GPT5 എൻഡ്-ടു-എൻഡ് ക്ലോണിംഗ് കാര്യക്ഷമത 79 മടങ്ങ് മെച്ചപ്പെടുത്തി, പരീക്ഷണ പുനരാവർത്തനങ്ങളിൽ ഇത് സ്ഥിരീകരിച്ചു.
ശ്രദ്ധേയമായി, മോഡൽ ഒരു പുതിയ എൻസൈമാറ്റിക് പ്രക്രിയ നിർദ്ദേശിച്ചു, മോഡൽ അതിനെ RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF-HiFi) എന്ന് വിളിച്ചു, ഇത് പ്രതികരണത്തിൽ രണ്ട് പുതിയ പ്രോട്ടീനുകൾ ചേർക്കുന്നു: E. coliയിൽ നിന്നുള്ള recombinase RecA, ഫേജ് T4 ജീൻ 32 സിംഗിൾ-സ്ട്രാൻഡഡ് DNA–ബൈൻഡിംഗ് പ്രോട്ടീൻ (gp32). കൂടാതെ, മോഡൽ ഇൻകുബേഷൻ താപനിലയും സമയവും, എൻസൈമാറ്റിക് ചേർക്കലുകളുടെ സമയവും ഉദ്ദേശ്യപൂർവ്വം മാറ്റങ്ങൾ വരുത്തി: ഇത് ഒരു പ്രാഥമിക 50°C HiFi പ്രതികരണത്തിന് ശേഷം RecA, gp32 എന്നിവ ചേർക്കാൻ നിർദ്ദേശിച്ചു, ഈ പ്രോട്ടീനുകൾ 37°C-ൽ പ്രവർത്തിക്കാൻ അനുവദിച്ച്, തുടർന്ന് അസംബ്ലി പൂർത്തിയാക്കാൻ 50°C-ലേക്ക് മടങ്ങാൻ നിർദ്ദേശിച്ചു. ഈ പുതിയ മാറ്റങ്ങൾ ഒരുമിച്ച് 2.5 മടങ്ങിലധികം കാര്യക്ഷമത വർദ്ധിപ്പിച്ചു. ഇത് പ്രതികരണ സാഹചര്യങ്ങളും സമയവും ആവർത്തന ഓപ്റ്റിമൈസേഷൻ ചെയ്യാതെ പ്രാഥമിക പ്രകടനത്തെ പ്രതിനിധീകരിക്കുന്നു എന്ന കാര്യം ശ്രദ്ധിക്കേണ്ടതാണ്.
പരിവർത്തനത്തിന്റെ ഭാഗത്ത്, ഏറ്റവും ഫലപ്രദമായ മാറ്റം പ്രതീക്ഷിക്കാത്ത വിധം ലളിതമാണെന്ന് തെളിഞ്ഞു: കോശങ്ങളെ പെല്ലറ്റിംഗ് ചെയ്യുക (അവയെ സെൻട്രിഫ്യൂജിൽ കറക്കി ട്യൂബിന്റെ അടിയിൽ ശേഖരിക്കുക), നൽകിയ വോളിയത്തിന്റെ പകുതി നീക്കം ചെയ്യുക, ഡിഎൻഎ ചേർക്കുന്നതിന് മുമ്പ് കോശങ്ങളെ വീണ്ടും സസ്പെൻഡ് ചെയ്യുക, എല്ലാം 4°C-ൽ. ഉയർന്ന കാര്യക്ഷമതയുള്ള രാസപരമായി സജ്ജമായ കോശങ്ങൾ സാധാരണ ശക്തി കുറഞ്ഞവയായി കണക്കാക്കപ്പെടുന്നുവെങ്കിലും, കോശങ്ങൾ സാന്ദ്രതയെ നന്നായി വഹിച്ചു, കൂടാതെ വർദ്ധിച്ച മോളിക്യുലർ കൂട്ടിയിടികൾ മാറ്റത്തിന്റെ കാര്യക്ഷമതയെ ഗണ്യമായി വർദ്ധിപ്പിച്ചു (അവസാന സ്ഥിരീകരണത്തിൽ 30 മടങ്ങിലധികം വർദ്ധിച്ചു).
T5 എക്സോനുക്ലിയേസ് 3′ ഓവർഹാങുകൾ സൃഷ്ടിക്കുന്നു, gp32 അവയെ ദ്വിതീയ ഘടന അടിച്ചമർത്തുന്നതിലൂടെ സ്ഥിരപ്പെടുത്തുന്നു. RecA 3′ അറ്റങ്ങളിൽ നിന്ന് കടന്നുകയറുകയും, gp32 നെ മാറ്റിനിർത്തുകയും, സമാനതാ തിരയലും അണിയിച്ചിടലും പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്യുന്നു. 50 °C-ൽ ചൂടാക്കുന്നത് രണ്ട് പ്രോട്ടീനുകളെയും നീക്കം ചെയ്യുന്നു, പോളിമറേസ് വിടവ് പൂരിപ്പിക്കുകയും ലിഗേഷൻ സാധ്യമാക്കുകയും ചെയ്യുന്നു.
ഗിബ്സൺ അസംബ്ലി ഡിഎൻഎയുടെ ഭാഗങ്ങൾക്ക് പൊരുത്തപ്പെടുന്ന "സ്റ്റിക്കി" അറ്റങ്ങൾ നൽകുന്നതിലൂടെ പ്രവർത്തിക്കുന്നു, അതിനാൽ അവ പരസ്പരം കണ്ടെത്തുകയും ചേരുകയും ചെയ്യുന്നു. ഈ പ്രതികരണം രണ്ട് വ്യത്യസ്ത എൻസൈമുകൾ (ഒരു പോളിമറേസ്, ഒരു ലൈഗേസ്) ചേർത്ത ഭാഗങ്ങൾ സീൽ ചെയ്യാൻ ഉപയോഗിക്കുന്നു. RAPF-HiFi-ൽ, പൊരുത്തപ്പെടൽ ഘട്ടം മെച്ചപ്പെടുത്താൻ രണ്ട് പ്രോട്ടീനുകൾ അവതരിപ്പിച്ചു. ആദ്യത്തേത്, gp32, ഒരു ചീര്പ്പ് പോലെ പ്രവർത്തിക്കുന്നു, ഇത് ഡിഎൻഎയുടെ അറ്റങ്ങൾ മിനുക്കുകയും കുരുക്കഴിക്കുകയും ചെയ്യുന്നു. രണ്ടാമത്തേത്, RecA, ഓരോ തന്തുവിനും ശരിയായ പങ്കാളിയെ കണ്ടെത്താൻ ഒരു മാർഗ്ഗദർശകമായി പ്രവർത്തിക്കുന്നു, കൂടാതെ പൊരുത്തപ്പെടുന്ന ഭാഗങ്ങളെ ഒരുമിച്ച് ചേർക്കുന്നു. ഉയർന്ന താപനില ഇരു സഹായികളെയും ഡിഎൻഎയിൽ നിന്ന് പുറത്താക്കുന്നു, സാധാരണ ഗിബ്സൺ എൻസൈമുകളെ പ്രതികരണം പൂർത്തിയാക്കാൻ അനുവദിക്കുന്നു.
സംഗ്രഹമായി, മെച്ചപ്പെട്ട പ്രകടനം താഴെ പറയുന്ന സംവിധാനത്തിലൂടെ നടപ്പിലാക്കപ്പെടുന്നു എന്ന് ഞങ്ങൾ അനുമാനിക്കുന്നു:
- Gp32 അനീൽ ചെയ്യാത്ത ഏകശൃംഖല ഡിഎൻഎ (ssDNA) വാലുകൾ മൂടുന്നു, ദ്വിതീയ ഘടന നീക്കം ചെയ്യുന്നു
- RecA, സാധാരണ ഘടനയാൽ തടയപ്പെടുന്ന, 3' നിന്ന് കയറി gp32 ഫിലമെന്റ് മാറ്റുന്നു
- RecA ഒരു ssDNA:ssDNA ഹോമോളജി തിരയൽ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) നടത്തുന്നു, അണിയിച്ചിടൽ പ്രേരിപ്പിക്കുന്നു
- 50°C-ലേക്ക് മടങ്ങിയെത്തുന്നത് recA, gp32 ഫിലമെന്റുകൾ രണ്ടും മാറ്റി polymerase, ligase എന്നിവയ്ക്ക് പ്രതികരണം പൂർത്തിയാക്കാൻ അനുവദിക്കുന്നു.
പുതിയ എൻസൈമുകൾ പ്രവർത്തനക്ഷമമാണോ എന്ന് പരിശോധിക്കാനും, പ്രകടന മെച്ചപ്പെടുത്തലിന് താപനില ഘട്ടങ്ങളിലോ ബഫറുകളിലോ ഉള്ള മാറ്റങ്ങൾ മാത്രമല്ല കാരണമാകുന്നത് എന്ന് ഉറപ്പാക്കാനും, RecA ഇല്ലാതെയും, RecAയും gp32യും ഇല്ലാതെയും RAPF-HiFiയുടെ പ്രകടനം ഞങ്ങൾ പരിശോധിച്ചു. RAPF-HiFi-യുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ രണ്ട് പ്രതികരണങ്ങളുടെയും പ്രകടനം കുറവായിരുന്നു, RAPF-HiFi-യുടെ പ്രവർത്തനത്തിനായി രണ്ട് പ്രോട്ടീനുകളും ആവശ്യമാണ് എന്ന് ഇത് സൂചിപ്പിക്കുന്നു.
അടിസ്ഥാന പ്രവര്ത്തനം പരിശോധിക്കുന്നതിന്, ഞങ്ങൾ പ്രതികരണത്തിലെ രണ്ട് പുതിയ എൻസൈമുകൾ വേർതിരിക്കുന്നു: RecA, gp32. ഞങ്ങൾ കാണിക്കുന്നത്, ഇവയിൽ ഏതെങ്കിലും ഒന്ന് മാത്രം ഉപയോഗിക്കുന്നത് HiFi ബേസ്ലൈനുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ കാര്യക്ഷമത കുറയ്ക്കുന്നു. അവരെല്ലാം ഒരുമിച്ച് ബേസ്ലൈനിനെ 2.6x കാര്യക്ഷമത വർദ്ധനവോടെ മറികടക്കുന്നു. (എറര് ബാറുകൾ: n=3 സ്വതന്ത്ര പരീക്ഷണങ്ങളുടെ SD)
RAPF-HiFiയുടെ വികസനം GPT‑5‑ന് സങ്കീർണ്ണവും ബഹുമുഖമായ റീസണിംഗ് കഴിവുണ്ടെന്ന് സൂചിപ്പിക്കുന്നു:
- RecA ഡിഎൻഎ ഘടനയാൽ തടയപ്പെടുന്നു(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), മോഡൽ ഒരേസമയം രണ്ട് സഹകരിക്കുന്ന മാറ്റങ്ങൾ പരിചയപ്പെടുത്തി എന്നത് ശ്രദ്ധേയമാണ്: RecA ചേർക്കുക, ഡിഎൻഎയുടെ ദ്വിതീയ ഘടന നീക്കം ചെയ്യാൻ gp32 ഉപയോഗിച്ച് അതിനെ പൂരിപ്പിച്ചു.
- E. coli RecAയുടെ സ്വാഭാവിക പങ്കാളി E. coli സിംഗിൾ-സ്ട്രാൻഡഡ് ബൈൻഡിംഗ് പ്രോട്ടീൻ (SSB) ആണ്. SSB ജീനോം പുനരാവൃതം, പുനഃസംയോജനം, പരിചരണം എന്നിവയ്ക്കിടയിൽ gp32-വിന്റെതിന് സമാനമായ ഒരു പങ്ക് വഹിക്കുന്നു. എന്നിരുന്നാലും, E. coli SSB DNAയിൽ നിന്ന് സ്വാഭാവികമായി വേഗത്തിൽ പുറത്തു വരാൻ കഴിയുന്നില്ല, RecFOR കോംപ്ലക്സ് SSB ഫിലമെന്റിൽ RecA ന്യുക്ലിയേഷൻ പ്രോത്സാഹിപ്പിക്കുന്നു in vivo(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു). SSB അത്യന്തം മന്ദഗതിയുള്ള ഓഫ്-റേറ്റുകളോടെ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) സ്ഥിരമായ ഒരു ടെട്രാമർ ആയി ബന്ധപ്പെടുന്നു. ഇതിന്റെ വിപരീതമായി, gp32 ഫിലമെന്റ് കൂടുതൽ ചലനാത്മകമാണ്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), അതുവഴി RecA മാറ്റം സാധ്യമാക്കുന്നു.
ഞങ്ങളുടെ അറിവിൽ, RecA ഉം gp32 ഉം തന്മാത്രാ ജീവശാസ്ത്ര രീതികളിൽ പ്രവർത്തനപരമായി ഒരുമിച്ച് ഉപയോഗിച്ചിട്ടില്ല. പുതിയ മോളിക്യുലർ ബയോളജി സാങ്കേതികതകളിൽ പലതിനെയും പോലെ, അടിസ്ഥാന ബയോകെമിക്കൽ പ്രവർത്തനങ്ങൾ ഇതിനകം പഠിക്കപ്പെട്ടിരുന്നു, പക്ഷേ അവയെ പ്രായോഗികവും പൊതുവായ രീതിയിലുമുള്ള ഒന്നായി ഉപയോഗിക്കുന്നത് മുന്നേറ്റമാണ്.
ഉദാഹരണത്തിന്, RecAയും gp32യും തമ്മിലുള്ള ഇടപെടൽ യാന്ത്രിക ഇൻ വിറ്റ്രോ പുനഃസ്ഥാപന പരീക്ഷണങ്ങളിൽ പഠിച്ചിട്ടുണ്ട്: ഡി ലൂപ്പ് രൂപീകരണ പഠനങ്ങളിൽ, gp32 പ്രവർത്തനം വർദ്ധിപ്പിക്കാൻ കഴിവുള്ളതായി കാണിച്ചു(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) RecA. Gp32 അതിന്റെ സ്വാഭാവിക T4 റീകോമ്ബിനേസ് പങ്കാളിയായ UvsX, റീകോമ്ബിനേസ് ലോഡിംഗ് ഫാക്ടർ uvsY എന്നിവയുമായി ചേർന്ന് റീകോമ്ബിനേസ് പോളിമറേസ് ആംപ്ലിഫിക്കേഷൻ (RPA)(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ൽ ഉപയോഗിച്ചിരിക്കുന്നു. ഒരു RPA പേറ്റന്റ് സ്പെസിഫിക്കേഷൻ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഫലപ്രദമായ RPA പ്രതികരണങ്ങൾ E. coli RecA ഉപയോഗിച്ച് ഒരു ഹെറ്ററോളോഗസ് സിസ്റ്റത്തിൽ തകരാറിലായ (അഥവാ, എഞ്ചിനീയർ ചെയ്ത, നോൺ-വൈൽഡ്-ടൈപ്പ്) gp32 പ്രോട്ടീൻ ഉപയോഗിച്ച് പ്രകടിപ്പിച്ചിട്ടുണ്ടെന്ന് വ്യക്തമാക്കുന്നു, എന്നാൽ ഈ അവകാശവാദം ചില പേറ്റന്റ് വെളിപ്പെടുത്തലുകളിൽ മാത്രം ഒരു ടാൻജന്റ് ആയി പ്രത്യക്ഷപ്പെടുന്നു, ഞങ്ങളുടെ അറിവില്, അതൊരു പ്രസിദ്ധീകരിച്ച ഡാറ്റയാൽ വന്നിട്ടില്ല അല്ലെങ്കിൽ ഒരു ശക്തമായ RecA-അടിസ്ഥാനമാക്കിയ RPA സിസ്റ്റമായി സ്വീകരിച്ചിട്ടില്ല. ഒരു ക്ലോണിംഗ് രീതി SLiCE(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) എന്ന് വിളിക്കപ്പെടുന്നത് λ റെഡ് പുനഃസംയോജന സംവിധാനമുള്ള E. coli യുടെ മുഴുവൻ സെൽ എക്സ്ട്രാക്റ്റ് ഉപയോഗിക്കുമ്പോള് ആണ്, ഇവിടെ റെഡ് ബീറ്റ ഒരു ഡിഎൻഎ-ബൈൻഡിംഗ് പ്രോട്ടീനും പുനഃസംയോജകനും എന്ന നിലയിൽ ഇരട്ട പങ്ക് നിർവഹിക്കാം (എന്നാൽ ഞങ്ങൾ പ്രോംപ്റ്റിൽ സെൽ എക്സ്ട്രാക്റ്റുകളുടെ ഉപയോഗം വ്യക്തമായി നിരോധിച്ചിരുന്നു). മറ്റൊരു ആപ്ലിക്കേഷനിൽ, ഫെറിൻ & കാമെറിനി-ഓറ്റെറോ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പൊരുത്തപ്പെടുന്ന സീക്വൻസുകൾ അടിസ്ഥാനമാക്കി ഡിഎൻഎ മോളിക്യൂളുകൾ തിരഞ്ഞെടുക്കാൻ RecA മാത്രം ഉപയോഗിച്ചു. വേർതിരിച്ച്, gp32 ഒരു അഡിറ്റീവ് ആയി ഉപയോഗിച്ചിരിക്കുന്നു(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പി.സി.ആർ എന്ന ഡിഎൻഎ വർദ്ധന പ്രക്രിയയിൽ ദ്വിതീയ ഘടന കുറയ്ക്കാൻ. NABSA വർദ്ധനവ്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) RecAയും gp32യും ചേരുമ്പോള് മെച്ചപ്പെടുത്തുന്നതായി കാണിച്ചു, എന്നാൽ ഓരോന്നും വേറിട്ടും പ്രതികരണം മെച്ചപ്പെടുത്താൻ കഴിയുമെങ്കിലും യാതൊരു സഹകരണവും കണ്ടെത്തിയില്ല. വ്യാപകമായി, അടിസ്ഥാന ഗിബ്സൺ-ശൈലി ഡിഎൻഎ അസംബ്ലി പ്രതികരണങ്ങളിൽ റിപ്പോർട്ട് ചെയ്ത മെച്ചപ്പെടുത്തലുകൾ അപൂർവമാണ്, ഏറ്റവും ശ്രദ്ധേയമായ ഉദാഹരണം അസംബ്ലി കാര്യക്ഷമത ഏകദേശം 2.5 മടങ്ങ് മെച്ചപ്പെടുത്തുന്ന(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഒരു ഹീറ്റ്-സ്റ്റേബിൾ ഡിഎൻഎ-ബൈൻഡിംഗ് പ്രോട്ടീൻ (ET SSB) ആണ്.
മിക്ക ആപ്ലിക്കേഷനുകൾക്കും, RAPF-HiFi, HiFi/Gibson ക്ലോണിംഗിന്റെ ലാളിത്യത്തോടും കരുത്തോടും മത്സരിക്കുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നില്ല. എങ്കിലും, യാന്ത്രികമായി വ്യത്യസ്തമായ അസംബ്ലി പാതയുടെ ഉദയം ശ്രദ്ധേയമാണ്: recombination പ്രോട്ടീനുകളും പ്രതികരണ ഡൈനാമിക്സും ഉൾക്കൊള്ളുന്ന പരിചിതമല്ലാത്ത സംയോജനാം വഴി GPT‑5 ഒരു പരിഹാരത്തിലെത്തി. മറ്റ് മോളിക്യുലാർ പ്രവാഹങ്ങളിൽ പുനർനിർമ്മിക്കാനോ പുനഃസംയോജിപ്പിക്കാനോ കഴിയുന്ന ഘടകങ്ങൾ നൽകാൻ കഴിയും എങ്കില് അടിസ്ഥാന ഘടനാ സംവിധാനം മാഡുലാർ ആകാം. RAPF-HiFi-യിൽ മെച്ചപ്പെടുത്തലുകൾ കണ്ടെത്തുന്നത് തുടരുകയും ചെയ്യുന്നു. പ്രതികരണ താപനിലകളും സ്റെപ്പുകളുടെ ദൈർഘ്യങ്ങളും RecA, gp32 പ്രവർത്തനങ്ങളെ എക്സോന്യൂക്ലിയേസ് കൂടുതലായി ദഹിക്കുന്നതിനെ തുലനം ചെയ്യാൻ ക്രമീകരിക്കാം, കൂടാതെ ഇരു പ്രോട്ടീനുകളുടെയും അളവുകള് ശരിയക്കേണ്ടതുമുണ്ട്. GPT‑5 ഒരു ഹൈപ്പർആക്റ്റീവ് RecA വകഭേദം നിർദ്ദേശിച്ചു, ഞങ്ങൾ ഇപ്പോൾ അതിനെ ശുദ്ധീകരിക്കുകയും ചെയ്യുന്നു.
ട്രാൻസ്ഫോർമേഷൻ പ്രോട്ടോക്കോളിനെ സംബന്ധിച്ചിടത്തോളം,വിജയകരമായ ഒപ്റ്റിമൈസേഷൻ വ്യവസ്ഥകൾ, വാണിജ്യ 10-ബീറ്റ കോംപിറ്റന്റ് സെല്ലുകളുടെ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ഹീറ്റ്-ഷോക്ക് കാര്യക്ഷമത വർദ്ധിപ്പിക്കുന്നതിന് ഉദ്ദേശിച്ചുള്ള വിവിധ അഡിറ്റീവുകളുടെയും തെർമൽ പെർടർബേഷനുകളുടെയും ഒരു റേഞ്ചില് വ്യാപിച്ചിരിക്കുന്നു. പരീക്ഷിച്ച 13 AI-സൃഷ്ടിച്ച ഏക-ഷോട്ട് പരിവർത്തനങ്ങളിൽ, ഏറ്റവും ഫലപ്രദമായ മാറ്റം, പരിവർത്തനം 7 (T7), കോശങ്ങളെ പെല്ലറ്റ് ചെയ്തു, നൽകിയ വോളിയത്തിന്റെ പകുതി നീക്കം ചെയ്തു, DNA ചേർക്കുന്നതിന് മുമ്പ് 4°C-ൽ കോശങ്ങളെ വീണ്ടും സസ്പെൻഡ് ചെയ്തു. ഉയർന്ന കാര്യക്ഷമതയുള്ള രാസപരമായി സജ്ജമായ കോശങ്ങൾ സാധാരണയായി ശക്തി കുറഞ്ഞതായിട്ടാണ് കണക്കാക്കപ്പെടുന്നത്, അതിനാൽ ഇത്തരം കൈകാര്യം ചെയ്യൽ നടപടികൾ സാധാരണയായി ഒഴിവാക്കപ്പെടുന്നു. എന്നിരുന്നാലും, കോശങ്ങൾ സാന്ദ്രതയെ നന്നായി വഹിച്ചു. ഒരു കോശത്തിന് കൂടുതൽ ഡിഎൻഎ എക്സ്പോഷർ കൂടുകയും തടയുന്ന ബഫർ കുറയുകയും ചെയ്യുന്നതിനാല് കൂടുതൽ തീവ്രമായ ഹീറ്റ്-ഷോക്ക് ഉണ്ടാകുകയും ചെയ്തതിന്റെ സംയുക്ത ഫലങ്ങൾ പരിവർത്തന കാര്യക്ഷമതയിൽ (>30 മടങ്ങ്) വലിയ വർദ്ധനവ് ഉണ്ടാക്കി.
ഈ പരിവർത്തന പ്രോട്ടോക്കോൾ പുതുമയുള്ളതാണ്, എന്നാൽ കോശങ്ങൾ ഒരു മുൻഘട്ടത്തിൽ കേന്ദ്രീകരിക്കുന്ന ആശയപരമായ സമാനമായ സമീപനം(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) റിപ്പോർട്ട് ചെയ്തിട്ടുണ്ട്. ഗണ്യമായി, ഇവിടെ GPT‑5 വികസിപ്പിച്ചെടുത്ത രീതിയ്ക്ക് ഷെൽഫ്-റെഡി രാസപരമായി സജ്ജമായ കോശങ്ങളുമായി പൊരുത്തപ്പെടുന്നു, ഇൻ-ഹൗസ് സെൽ തയ്യാറാക്കലിന്റെ ആവശ്യം ഇല്ലാതാക്കുന്നു, അതേ സമയം സമാനമായ സമീപനത്തിന്റെ റിപ്പോർട്ട് ചെയ്ത കാര്യക്ഷമതാ വർദ്ധനവിനെ അതിജീവിക്കുന്നു.
ഈ മോഡൽ പരീക്ഷണ സംവിധാനത്തിന്റെ കാര്യക്ഷമത വർദ്ധിപ്പിക്കുന്നതിനായി, Robot on Rails, Red Queen Bio എന്നിവർ സഹകരിച്ച് ഒരു റോബോട്ടിക് സംവിധാനം നിർമ്മിച്ചു, ഇത് ഒരു സ്വാഭാവിക ഭാഷ ക്ലോണിംഗ് പ്രോട്ടോക്കോൾ സ്വീകരിച്ച് വെറ്റ് ലാബിൽ നടപ്പിലാക്കുന്നു.
സിസ്റ്റം മൂന്ന് ഘടകങ്ങളെ സംയോജിപ്പിക്കുന്നു: 1) സാധാരണ ഇംഗ്ലീഷിനെ റോബോട്ടിന്റെ നടപടികളിലേക്ക് മാറ്റുന്ന ഒരു മനുഷ്യ-റോബോട്ട് LLM; 2) ലാബ്വെയറിനെ യഥാർത്ഥ സമയത്ത് തിരിച്ചറിയുകയും സ്ഥാനം കണ്ടെത്തുകയും ചെയ്യുന്ന ഒരു ദൃശ്യ സിസ്റ്റം; 3) ഓരോ നടപടിയും സുരക്ഷിതവും കൃത്യവുമായ രീതിയിൽ എങ്ങനെ നടത്താമെന്ന് നിർണ്ണയിക്കുന്ന ഒരു റോബോട്ടിക് പാതാ പ്ലാനർ. ഫലം ഗിബ്സൺ ക്ലോണിംഗ് പ്രോട്ടോക്കോളിന്റെ വകഭേദങ്ങൾക്കായി കൂടുതൽ ഒപ്റ്റിമൈസ് ചെയ്ത, സാദ്ധ്യമുള്ള, പൊതുവായ ലാബ് റോബോട്ടാണ്.
സ്വയംഭരണ റോബോട്ട് ഉപയോഗിച്ച് ഒരു പൂർണ്ണ ക്ലോണിംഗ് പരീക്ഷണം നടത്താൻ കഴിയുമോ എന്ന് പരിശോധിക്കാൻ, രണ്ട് പ്രോട്ടോക്കോളുകൾ ഒരേസമയം പ്രവർത്തിപ്പിച്ചു: സ്റ്റാൻഡേർഡ് ഹൈഫൈ രീതിയും ആദ്യ ഓപ്റ്റിമൈസേഷൻ റൗണ്ടിൽ നിന്ന് ഏറ്റവും മികച്ച പ്രകടനം കാഴ്ചവച്ച AI-മാറ്റം വരുത്തിയ R8 പ്രോട്ടോക്കോളും.
ഓരോ ഘട്ടത്തിലും ഞങ്ങൾ റോബോട്ടിന്റെ പ്രവർത്തനം മനുഷ്യർ നിർവഹിച്ച പരീക്ഷണങ്ങളുമായി താരതമ്യം ചെയ്തു. റോബോട്ട് വിജയകരമായി പരിവർത്തന പ്രക്രിയ കൈകാര്യം ചെയ്തു, ഇത് വൈവിധ്യമാർന്ന ശാരീരിക പ്രവർത്തനങ്ങൾ ആവശ്യമായിരുന്നു: ദ്രാവകങ്ങൾ ട്രാൻസ്ഫർ ചെയ്യുക, മിശ്രിതമാക്കുക, സാമ്പിൾ ട്യൂബുകൾ നീക്കുക, കോശങ്ങൾക്ക് നിയന്ത്രിത ചൂട് നൽകുക, വളർച്ചാ പ്ലേറ്റുകളിൽ കോശങ്ങളെ പരത്തുക. മനുഷ്യൻ നിർവഹിക്കുന്ന മാറ്റങ്ങളുമായി നേരിട്ട് താരതമ്യം ചെയ്യുമ്പോൾ, റോബോട്ട് സമാന നിലവാരത്തിലുള്ള ഡാറ്റ സൃഷ്ടിക്കുകയും അടിസ്ഥാനരേഖയേക്കാൾ സമാനമായ മെച്ചപ്പെടുത്തലുകൾ കാണിക്കുകയും ചെയ്തു,ഇത് ജൈവ പരീക്ഷണങ്ങളുടെ ഓട്ടോമേഷൻ, വേഗത വർദ്ധന എന്നിവയ്ക്കുള്ള പ്രാരംഭ സാധ്യത കാണിക്കുന്നു.
റോബോട്ട് പരീക്ഷണങ്ങളും മനുഷ്യ പരീക്ഷണങ്ങളും തമ്മിലുള്ള ഫോൾഡ്-മാറ്റങ്ങൾ സമാനമായിരുന്നുവെങ്കിലും, റോബോട്ടിൽ നിന്നുള്ള ആബ്സല്യൂട്ട് കോളനി എണ്ണങ്ങൾ മാനുഷിക നിർവഹണത്തേക്കാൾ ഏകദേശം പത്ത് മടങ്ങ് കുറവായിരുന്നു, ഇത് ദ്രാവക കൈകാര്യത്തിലെ കൃത്യത, താപനില നിയന്ത്രണ കാലിബ്രേഷൻ,മാനുഷികമായ സെൽ കൈകാര്യ സാങ്കേതികതകളുടെ സൂക്ഷ്മതകൾ പുനരാവിഷ്കരിക്കൽ എന്നിവ പോലുള്ള മെച്ചപ്പെടുത്തലുകൾ ആവശ്യമാണ് എന്ന് സൂചിപ്പിക്കുന്നു.
സാധാരണ HiFi രീതി (ബേസ്ലൈൻ)യും മെച്ചപ്പെടുത്തിയ R8 രീതി മനുഷ്യ ഗവേഷകരും സ്വയംഭരണ റോബോട്ടും നടപ്പിലാക്കി, മാറ്റത്തിന്റെ കാര്യക്ഷമതകൾ യഥാക്രമം HiFi ബേസ്ലൈൻ നിയന്ത്രണങ്ങളിലേക്ക് സാധാരണവത്കരിച്ചു (1.0 ആയി സജ്ജീകരിച്ചു). മനുഷ്യൻ നിർവഹിച്ചപ്പോള് R8 2.39 മടങ്ങ് മെച്ചപ്പെടുത്തൽ കാണിച്ചു; റോബോട്ട് നിർവഹിച്ച R8 2.13 മടങ്ങ് മെച്ചപ്പെടുത്തൽ (മനുഷ്യരുടെ പ്രകടനത്തിന്റെ 89%) കൈവരിച്ചു, കുറഞ്ഞ പരമാവധി ഫലങ്ങൾ ഉണ്ടായിരുന്നിട്ടും സമാനമായ പ്രോട്ടോക്കോൾ റാങ്കിംഗ് തെളിയിക്കുന്നു.
ഈ പരീക്ഷണങ്ങൾ ഭാവിയിലെ AI-ത്വരിത ശാസ്ത്രത്തിന്റെ ഒരു സ്നാപ്പ്ഷോട്ട് നൽകുമെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു: മോഡലുകൾ തുടർച്ചയായി പഠിക്കുകയും യഥാർത്ഥ ലോകവുമായി ഇടപെടുകയും ചെയ്യും. മോഡലിന്റെ കഴിവുകൾ മാത്രം അളക്കുന്നതിനായി ഞങ്ങളുടെ പരീക്ഷണങ്ങൾ മനുഷ്യ ഇടപെടലുകൾ ഒഴിവാക്കിയെങ്കിലും, പരീക്ഷണങ്ങൾ രൂപകൽപ്പന ചെയ്യാനും ഗവേഷണത്തിലെ മുന്നേറ്റങ്ങളിൽ സംഭാവന ചെയ്യാനും AI മനുഷ്യ ശാസ്ത്രജ്ഞരെ സഹായിക്കുന്നത് സംബന്ധിച്ച് ഞങ്ങൾ പ്രത്യേകിച്ച് ആവേശഭരിതരാണ്.
ശാസ്ത്ര പുരോഗതി സുരക്ഷിതവും ഉത്തരവാദിത്വപരവും ആയി വേഗത്തിലാക്കാൻ ഞങ്ങൾ പ്രവർത്തിക്കുമ്പോൾ, ബയോസെക്യൂരിറ്റിയുമായി ബന്ധപ്പെട്ട അപകടസാധ്യതകൾ വിലയിരുത്തുകയും കുറയ്ക്കുകയും ചെയ്യാനും ഞങ്ങൾ ശ്രമിക്കുന്നു. ഈ വിലയിരുത്തലുകളുടെ ഫലങ്ങൾ മോഡലുകൾ പ്രോട്ടോകോളുകൾ മെച്ചപ്പെടുത്താൻ വെറ്റ് ലാബിൽ ചിന്തിക്കാൻ, ഞങ്ങളുടെ തയ്യാറെടുപ്പ് ചട്ടക്കൂട്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)യിൽ വിവരിച്ചിരിക്കുന്നതുപോലെ ബയോസെക്യൂരിറ്റിക്കായി പ്രത്യാഘാതങ്ങൾ ഉണ്ടാകാനും കഴിയും എന്ന് കാണിക്കുന്നു. ഞങ്ങൾ ഈ അപകടസാധ്യതകൾ കുറയ്ക്കുന്നതിനായി മോഡൽ-തലത്തിലും സിസ്റ്റം-തലത്തിലും ആവശ്യമായും സൂക്ഷ്മവുമായ സുരക്ഷാ നടപടികൾ നിർമ്മിക്കാൻ പ്രതിജ്ഞാബദ്ധരാണ്, കൂടാതെ നിലവിലെ നിലകൾ പിന്തുടരുന്നതിനുള്ള വിലയിരുത്തലുകൾ വികസിപ്പിക്കുകയും ചെയ്യുന്നു.
