GPT‑5 സെൽ-ഫ്രീ പ്രോട്ടീൻ സിന്തസിസിന്റെ ചെലവ് കുറയ്ക്കുന്നു
Ginkgo Bioworks-നൊപ്പം പ്രവർത്തിച്ച്, ഞങ്ങൾ AI-അധിഷ്ഠിത സ്വയംഭരണ ലാബ് സൃഷ്ടിക്കുകയും പ്രോട്ടീൻ ഉൽപ്പാദന ചെലവിൽ 40% കുറവ് നേടുകയും ചെയ്തു.
ഗണിതശാസ്ത്രം, ഭൗതികശാസ്ത്രം പോലുള്ള മേഖലകളിൽ, ഭൗതിക ലോകത്തെ സ്പർശിക്കാതെ തന്നെ ആശയങ്ങളെ പലപ്പോഴും വിലയിരുത്താൻ കഴിയുന്നിടത്ത്, AIയിൽ നിന്ന് ഞങ്ങൾ വേഗത്തിലുള്ള പുരോഗതി കണ്ടിട്ടുണ്ട്. ബയോളജി വ്യത്യസ്തമാണ്. പുരോഗതി ലാബിലൂടെ കടന്നുപോകുന്നു, അവിടെ ശാസ്ത്രജ്ഞർ സമയംയും പണവും ആവശ്യമായ പരീക്ഷണങ്ങൾ നടത്തുന്നു.
അത് മാറിത്തുടങ്ങുകയാണ്. Frontier മോഡലുകൾക്ക് ഇപ്പോൾ ലാബ് ഓട്ടോമേഷനുമായി നേരിട്ട് ബന്ധിപ്പിക്കാനും, പരീക്ഷണങ്ങൾ നിർദ്ദേശിക്കാനും, അവ വലിയ തോതിൽ നടത്താനും, ഫലങ്ങളിൽ നിന്ന് പഠിക്കാനും, തുടർന്ന് എന്ത് ചെയ്യണമെന്ന് തീരുമാനിക്കാനും കഴിയും. ജീവശാസ്ത്രത്തിന്റെ പല മേഖലകളിലും, തടസ്സം ആവർത്തനമാണ്, ആ തടസ്സം നീക്കാനാണ് സ്വയംഭരണ ലാബുകൾ നിർമ്മിച്ചിരിക്കുന്നത്.
മുൻകാല പ്രവർത്തനത്തിൽ, ക്ലോസ്ഡ്-ലൂപ്പ് പരീക്ഷണത്തിലൂടെ GPT‑5 വെറ്റ്-ലാബ് പ്രോട്ടോകോളുകൾ മെച്ചപ്പെടുത്താൻ കഴിയും എന്ന് ഞങ്ങൾ തെളിയിച്ചു. ഇവിടെ, അതേ സമീപനം പ്രോട്ടീൻ ഉൽപ്പാദന ചെലവ് കുറയ്ക്കാൻ കഴിയും എന്ന് ഞങ്ങൾ കാണിക്കുന്നു.
സോഫ്റ്റ്വെയറിലൂടെ വിദൂരമായി നിയന്ത്രിക്കപ്പെടുന്നതും, റോബോട്ടുകൾ പരീക്ഷണങ്ങൾ നടത്തി വിവരങ്ങൾ ലഭ്യമാക്കുന്നതുമായ ഒരു ഓട്ടോമേറ്റഡ് വെറ്റ് ലാബായ ഒരു ക്ലൗഡ് ലബോറട്ടറിയുമായി GPT‑5 ബന്ധിപ്പിക്കുന്നതിന് ഞങ്ങൾ Ginkgo Bioworks(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു)-മായി പങ്കാളിത്തത്തിൽ ഏർപ്പെട്ടു; കൂടാതെ വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്ന ഒരു ജൈവ പ്രക്രിയയായ സെൽ-ഫ്രീ പ്രോട്ടീൻ സിന്തസിസ് (CFPS) ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനായി ഞങ്ങൾ ആ ലാബ്-ഇൻ-ദി-ലൂപ്പ് സംവിധാനം ഉപയോഗിക്കുകയും ചെയ്തു. ആറിലധികം ക്ലോസ്ഡ്-ലൂപ്പ് പരീക്ഷണ റൗണ്ടുകളിലായി, സിസ്റ്റം 580 ഓട്ടോമേറ്റഡ് പ്ലേറ്റുകളിലുടനീളം 36,000-ത്തിലധികം വ്യത്യസ്ത CFPS പ്രതികരണ ഘടനകൾ പരീക്ഷിച്ചു. ഒരു കമ്പ്യൂട്ടറിലേക്കും വെബ് ബ്രൗസറിലേക്കും ബന്ധപ്പെട്ട പ്രബന്ധങ്ങളിലേക്കുമുള്ള ആക്സസ് ലഭിച്ചതിന് ശേഷം, കുറഞ്ഞ ചെലവിലുള്ള CFPS-ൽ പുതിയ നിലവാരം സ്ഥാപിക്കാൻ GPT‑5 മൂന്ന് റൗണ്ട് പരീക്ഷണങ്ങൾ നടത്തി; ഇതിലൂടെ പ്രോട്ടീൻ ഉൽപ്പാദന ചെലവിൽ 40% കുറവ് (റിയാജന്റുകളുടെ ചെലവിൽ 57% മെച്ചപ്പെടുത്തൽ) കൈവരിച്ചു, സ്വയംഭരണ ലാബുകളിൽ സാധാരണമായ പ്രതികരണ സാഹചര്യങ്ങളോട് കൂടുതൽ കരുത്തുള്ള പുതുമയാർന്ന പ്രതികരണ ഘടനകൾ ഉള്പ്പെടെയാണ് ഇത്.
സെൽ-ഫ്രീ പ്രോട്ടീൻ സിന്തസിസ് (CFPS) ജീവിച്ചിരിക്കുന്ന കോശങ്ങളെ വളർത്താതെ പ്രോട്ടീനുകൾ നിർമ്മിക്കുന്ന ഒരു മാർഗമാണ്. DNA കോശങ്ങളിൽ ഇടുകയും അവ പ്രോട്ടീൻ ഉൽപ്പാദിപ്പിക്കാൻ കാത്തിരിക്കുകയും ചെയ്യുന്നതിനുപകരം, CFPS നിയന്ത്രിതമായ ഒരു മിശ്രിതത്തിൽ പ്രോട്ടീൻ നിർമ്മാണ യന്ത്രസാമഗ്രി പ്രവർത്തിപ്പിക്കുന്നു. അതിനാൽ ശാസ്ത്രജ്ഞർക്ക് നിരവധി പരീക്ഷണങ്ങൾ വേഗത്തിൽ നടത്താനും അതേ ദിവസം തന്നെ ഫലങ്ങൾ അളക്കാനും കഴിയുന്നതിനാൽ, ഇത് വേഗത്തിലുള്ള പ്രോട്ടോടൈപ്പിംഗിനും പരിശോധനയ്ക്കും പ്രായോഗികമായ ഒരു ഉപകരണമാക്കുന്നു.
ആധുനിക ജീവശാസ്ത്രം നൽകുന്ന പ്രധാന ഘടകങ്ങളിൽ ഒന്നാണ് പ്രോട്ടീനുകൾ. പ്രധാനപ്പെട്ട പല മരുന്നുകളും പ്രോട്ടീനുകളെ അടിസ്ഥാനമാക്കിയുള്ളവയാണ്. പല ഡയഗ്നോസ്റ്റിക്സും ഗവേഷണ അസ്സേകളും പ്രോട്ടീനുകളെ ആശ്രയിക്കുന്നു. വ്യാവസായിക സാഹചര്യങ്ങളിൽ, പ്രോട്ടീനുകൾ എൻസൈമുകളായി പ്രവർത്തിച്ച് രാസ പ്രക്രിയകൾ കൂടുതൽ ലളിതവും കാര്യക്ഷമവുമാക്കുന്നു. പ്രോട്ടീനുകൾ നിങ്ങളുടെ ലോണ്ട്രി ഡിറ്റർജന്റിലും കാണപ്പെടുന്നു. പ്രോട്ടീൻ ഉൽപ്പാദനം വേഗത്തിലും ചെലവുകുറഞ്ഞതുമായതോടെ, ശാസ്ത്രജ്ഞർക്ക് കൂടുതൽ ആശയങ്ങൾ വേഗത്തിൽ പരീക്ഷിക്കാനും, ആളുകൾക്ക് ദൈനംദിന പ്രയോജനം ലഭിക്കുന്ന ഒന്നായി പ്രാരംഭ ഗവേഷണത്തെ മാറ്റുന്നതിനുള്ള ചെലവ് കുറയ്ക്കാനും സാധാരണയായി കഴിയും.
അത്തരം ആവർത്തനത്തിനായി CFPS ഇതിനകം തന്നെ ഉപകാരപ്രദമാണ്. ബോട്ടില് നെക്ക് എന്നത് ഒപ്റ്റിമൈസ് ചെയ്യുന്നത് സങ്കീർണ്ണമാണ്, കൂടാതെ സ്കെയിലിൽ അത് ചെലവേറിയതും ആകുന്നു.
സെൽ-ഫ്രീ പ്രോട്ടീൻ സിന്തസിസിന് സങ്കീർണ്ണവും പരസ്പരം ഇടപഴകുന്നതുമായ ഘടകങ്ങൾ ആവശ്യമാണ്: നിർമ്മിക്കേണ്ട പ്രോട്ടീനെ എൻകോഡ് ചെയ്യുന്ന DNA ടെംപ്ലേറ്റ്, സെൽ ലൈസേറ്റ് (കോശങ്ങളുടെ അകത്തുനിന്നുള്ള സെല്ലുലാർ മെഷിനറിയുടെ “സൂപ്പ്”), കൂടാതെ ഊർജ സ്രോതസ്സുകൾ മുതൽ ലവണങ്ങൾ വരെ വ്യാപിക്കുന്ന ധാരാളം ബയോകെമിക്കൽ ഘടകങ്ങൾ. മുഴുവൻ സിസ്റ്റത്തെക്കുറിച്ച് യുക്തിപരമായുള്ള ആലോചന അത്യന്തം ബുദ്ധിമുട്ടാണ്, കൂടാതെ പ്രോട്ടീൻ ഉൽപ്പാദന ചെലവ് കുറയ്ക്കാൻ നിരവധി(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) മുൻകാല(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പഠനങ്ങൾ(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) വ്യത്യസ്ത തരത്തിലുള്ള മെഷീൻ ലേണിംഗ് പ്രയോഗിച്ചിട്ടുണ്ട്.
സ്റ്റാൻഡേർഡ് സെൽ-ഫ്രീ പ്രോട്ടീൻ സംശ്ലേഷണം (CFPS) ഫോർമുലേഷനുകളും വാണിജ്യ കിറ്റുകളും പലപ്പോഴും മനുഷ്യന്റെ വേഗതയിലുള്ള പ്രവർത്തനത്തിനായി വിലനിർണ്ണയം ചെയ്യപ്പെട്ടിരിക്കുന്നു. മനുഷ്യ ടീമിന് ഒരു ഡസന് പ്രതികരണങ്ങൾ നടത്താൻ കഴിയുന്ന സമയം കൊണ്ട് സ്വയംപ്രവർത്തിക്കുന്ന ലാബുകൾക്ക് ആയിരക്കണക്കിന് പ്രതികരണങ്ങൾ നടത്താൻ കഴിയും. ആ സ്കെയിലിൽ നോക്കുമ്പോള്, രാസവസ്തുക്കളുടെ ചെലവാണ് പരിമിതമായ ഘടകമാകുന്നത്.
CFPS അവബോധം മാത്രം ആശ്രയിച്ച് ഓപ്റ്റിമൈസ് ചെയ്യുക ബുദ്ധിമുട്ടാണ്. ഇത് പരസ്പരം ഇടപെടുന്ന നിരവധി ഘടകങ്ങളുടെ കൂട്ടമാണ്. ചെറിയ മാറ്റങ്ങൾ പ്രാധാന്യമുള്ളതാകാം, പക്ഷേ ഫലത്തിന്റെ ദിശ എല്ലായ്പ്പോഴും വ്യക്തമായിരിക്കണമെന്നില്ല, കൂടാതെ മികച്ച സംയോജനങ്ങൾ കണ്ടെത്താൻ നിരവധി പരീക്ഷണങ്ങൾ നടത്തേണ്ടിവരും. മുൻ സമീപനങ്ങൾ ചെലവുകൾ കുറച്ചിട്ടുണ്ടെങ്കിലും, ആ സ്ഥലം സമഗ്രമായി അന്വേഷിക്കുന്നത് തൊഴിൽ-സാന്ദ്രമായതിനാൽ പുരോഗതി സാധാരണയായി ക്രമാനുഗതമായിരിക്കും.
സെൽ-ഫ്രീ പ്രോട്ടീൻ സിന്തസിസ് (CFPS) ഒപ്റ്റിമൈസേഷനായി ഒരു ക്ലോസ്ഡ്-ലൂപ്പ് സ്വയംഭരണ സിസ്റ്റം രൂപപ്പെടുത്താൻ ഞങ്ങൾ GPT‑5 നെ Ginkgo Bioworks’ ക്ലൗഡ് ലബോറട്ടറിയുമായി കൂട്ടിച്ചേർത്തു.
GPT‑5 പരീക്ഷണങ്ങളുടെ ബാച്ചുകൾ രൂപകൽപ്പന ചെയ്തു. ലാബ് അവയെ നടപ്പിലാക്കി. ഫലങ്ങൾ മോഡലിലേക്ക് തിരിച്ചുനൽകി. മോഡൽ ആ ഡാറ്റ ഉപയോഗിച്ച് അടുത്ത റൗണ്ട് നിർദ്ദേശിക്കാൻ ഉപയോഗിച്ചു. ഞങ്ങൾ ആ ചക്രം ആറു തവണ ആവർത്തിച്ചു.
GPT‑5 സ്റ്റാൻഡേർഡ് 384-വെൽ പ്ലേറ്റ് ഫോർമാറ്റിൽ പരീക്ഷണങ്ങളുടെ ബാച്ചുകൾ രൂപകൽപ്പന ചെയ്തു, അവ Ginkgo Bioworks’ ക്ലൗഡ് ലബോറട്ടറിയിൽ പ്രവർത്തിപ്പിച്ചു. പരീക്ഷണങ്ങൾ പൂർത്തിയായപ്പോൾ, ക്ലൗഡ് ലബോറട്ടറി ഡാറ്റ GPT‑5 ലേക്ക് തിരികെ അയച്ചു, അവിടെ മോഡൽ ഫലങ്ങൾ വിശകലനം ചെയ്തു, പുതിയ സിദ്ധാന്തങ്ങൾ സൃഷ്ടിച്ചു, അടുത്ത ഘട്ടത്തിലെ പരീക്ഷണങ്ങൾ രൂപകൽപ്പന ചെയ്തു.
സ്വയംഭരണ ലാബ് ചെയ്യാൻ കഴിയുന്ന കാര്യങ്ങളിൽ ലൂപ്പ് നിലനിർത്താൻ, ഞങ്ങൾ , പരീക്ഷണം ആരംഭിക്കുന്നതിന് മുമ്പ് കർശനമായ പ്രോഗ്രാമാറ്റിക് സാധൂകരണം ചേർത്തു. ആ വാലിഡേഷൻ AI രൂപകൽപ്പന ചെയ്ത പരീക്ഷണങ്ങൾ ഓട്ടോമേഷൻ പ്ലാറ്റ്ഫോമിൽ ഭൗതികമായി നടപ്പിലാക്കാവുന്നതാണെന്ന് ഉറപ്പാക്കി. സൈദ്ധാന്തികമായി വിശ്വസനീയമായി തോന്നുന്ന, പക്ഷേ ഒരു റോബോട്ടിക് പ്രവാഹത്തിൽ നടപ്പിലാക്കാൻ കഴിയാത്ത “പേപ്പർ പരീക്ഷണങ്ങൾ” തടയപ്പെട്ടു.
മുഴുവൻ റണ്ണിലുടനീളം, സിസ്റ്റം 580 ഓട്ടോമേറ്റഡ് പ്ലേറ്റുകളിലുടനീളമായി 36,000-ലധികം CFPS പ്രതികരണങ്ങൾ പൂർത്തിയാക്കി. ഈ സ്കെയിൽ പ്രധാനമാണ്, കാരണം ഇതാണ് പാറ്റേണുകൾ ഉയർന്നുവരാൻ അനുവദിക്കുന്നത്. ജീവശാസ്ത്രത്തിൽ, ഒറ്റപ്പെട്ട പരീക്ഷണങ്ങൾ അസ്ഥിരമായിരിക്കും. ത്രൂപുട്ടും ആവർത്തനവും സിഗ്നലിനെ യാദൃശ്ചിക ശബ്ദത്തിൽ നിന്ന് വേർതിരിക്കുന്ന മാർഗങ്ങളാണ്. പ്രസക്തമായ ഗവേഷണ പത്രങ്ങളിലേക്കും ടൂളുകളിലേക്കും ആക്സസ് ലഭിച്ചതിന് ശേഷം, ഒരു പുതിയ നിലവാരം സ്ഥാപിക്കാൻ GPT‑5‑ന് മൂന്ന് ഘട്ടങ്ങളിലായുള്ള പരീക്ഷണങ്ങളും രണ്ട് മാസത്തെ സമയവും മാത്രമാണ് വേണ്ടിവന്നത്: മുമ്പത്തെ ഏറ്റവും മികച്ച ബേസ്ലൈനുമായി(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) താരതമ്യം ചെയ്യുമ്പോൾ പ്രോട്ടീൻ ഉൽപ്പാദനച്ചെലവിൽ 40% കുറവ് വരുത്താൻ ഇതിലൂടെ സാധിച്ചു.
Ginkgo Bioworks’ പുനഃക്രമീകരിക്കാവുന്ന ഓട്ടോമേഷൻ കാർട്ടുകൾ. ക്രെഡിറ്റ്: Ginkgo Bioworks
ഉയർന്ന-ത്രൂപുട്ട് ഓട്ടോമേഷന്റെ യാഥാർത്ഥ്യങ്ങളിൽ നിലനിൽക്കുന്നതും ഒരുമിച്ച് നന്നായി പ്രവർത്തിക്കുന്നതുമായ സംയോജനങ്ങളെ തിരിച്ചറിഞ്ഞതിൽ നിന്നാണ് മെച്ചപ്പെടുത്തലുകൾ വന്നതെന്ന് ഞങ്ങൾ കണ്ടെത്തി.
ഞങ്ങൾ കണ്ടെത്തിയത്, ഈ കോൺഫിഗറേഷനിൽ മനുഷ്യർ മുമ്പ് പരീക്ഷിച്ചിട്ടില്ലാത്ത കുറഞ്ഞ ചെലവുള്ള പ്രതികരണ ഘടനകൾ GPT‑5 തിരിച്ചറിഞ്ഞുവെന്ന് ആണ്. കോശരഹിത പ്രോട്ടീൻ സംശ്ലേഷണം (CFPS) വർഷങ്ങളായി പഠനവിധേയമായിട്ടുണ്ടെങ്കിലും, സാധ്യതയുള്ള മിശ്രിതങ്ങളുടെ വൈവിധ്യം ഇപ്പോഴും വലുതാണ്. നിങ്ങൾക്ക് ആയിരക്കണക്കിന് സംയോജനങ്ങൾ വേഗത്തിൽ നിർദ്ദേശിക്കുകയും നടപ്പിലാക്കുകയും ചെയ്യുമ്പോൾ, മാനുവൽ പ്രവൃത്തി പ്രവാഹത്തിൽ എളുപ്പത്തിൽ കാണാതെ പോകുന്ന പ്രായോഗിക മേഖലകൾ കണ്ടെത്താൻ കഴിയും.
ഞങ്ങൾ കണ്ടെത്തിയ മറ്റൊരു കാര്യം, ഉയർന്ന-ത്രൂപുട്ട് പ്ലേറ്റ്-അടിസ്ഥാനമാക്കിയ പരീക്ഷണങ്ങൾ പലപ്പോഴും മാനുവൽ ബെഞ്ച്-ടോപ്പ് പരീക്ഷണങ്ങളിൽ നിന്ന് വ്യത്യസ്തമാണെന്നതാണ്. ഉയർന്ന-ത്രൂപുട്ട് പ്രതികരണ ഫോർമാറ്റുകളിൽ ഓക്സിജനേഷൻ കുറയാം. മിശ്രണവും ജ്യാമിതിയും വ്യത്യസ്തമായിരിക്കും. മിക്ക CFPS പ്രതികരണങ്ങളും മൈക്രോടൈറ്റർ പ്ലേറ്റുകളിലേതിനേക്കാൾ ടെസ്റ്റ് ട്യൂബുകളിൽ കൂടുതൽ പ്രോട്ടീൻ ഉൽപ്പാദിപ്പിക്കുന്നു, കാരണം വലിയ സ്കെയിലുകൾക്ക് സാധാരണയായി കൂടുതൽ ഓക്സിജൻ ലഭ്യതയും മികച്ച മിശ്രണവും ലഭ്യമാണ്. വാസ്തവത്തിൽ, കുറഞ്ഞ വോളിയത്തിൽ പ്ലേറ്റ്-അടിസ്ഥാനത്തിലുള്ള പ്രതികരണങ്ങൾക്കായി, ഡാറ്റ വിശകലനത്തിനായി ഒരു കമ്പ്യൂട്ടറിലേക്കും ബന്ധപ്പെട്ട പേപ്പറുകൾ തിരയാൻ ഒരു വെബ് ബ്രൗസറിലേക്കും ആക്സസ് ലഭിച്ച ഉടൻതന്നെ, മുൻപ് ഏറ്റവും മികച്ചതായിരുന്ന പ്രതികരണങ്ങളെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവച്ച നിരവധി പുതിയ പ്രതികരണങ്ങൾ GPT‑5 നിർദ്ദേശിച്ചു. മൊത്തത്തിൽ, GPT‑5 ഉയർന്ന-ത്രൂപുട്ട് നിയന്ത്രണങ്ങൾക്കു കീഴിൽ മികച്ച പ്രകടനം കാഴ്ചവെച്ച നിരവധി റിയെജന്റ് സംയോജനങ്ങൾ നിർദ്ദേശിച്ചു, അതിൽ പലതും ഓട്ടോമേറ്റഡ് ലാബ് സാഹചര്യങ്ങളിൽ സാധാരണമായ കുറഞ്ഞ-ഓക്സിജൻ സാഹചര്യങ്ങളിൽ കൂടുതൽ കരുത്തുറ്റവയാണ്.
കൂടാതെ, ബഫറിംഗിൽ, ഊർജ്ജ പുനരുജ്ജീവന ഘടകങ്ങളിൽ, പോളിയാമൈനുകളിൽ ഉണ്ടായ ചെറിയ മാറ്റങ്ങൾ അവയുടെ ചെലവിനെ അപേക്ഷിച്ച് അനുപാതാതീതമായ സ്വാധീനം ചെലുത്തുന്നതായി ഞങ്ങൾ കണ്ടെത്തി. ഇവ ആളുകൾ എല്ലായ്പ്പോഴും ആദ്യം തിരഞ്ഞെടുക്കുന്ന പാരാമീറ്ററുകൾ അല്ല, പക്ഷേ ഉയർന്ന ത്രൂപുട്ടിൽ, അവ പശ്ചാത്തല അനുമാനങ്ങളേക്കാൾ പരീക്ഷിക്കാവുന്ന ഹൈപ്പോത്തസിസുകളായി മാറുന്നു.
അവസാനമായി, ചെലവ് ഘടന തന്നെ എന്താണ് പ്രാധാന്യമുള്ളതെന്ന് നിർണ്ണയിച്ചു. CFPS-ൽ, ചെലവുകൾ ഇപ്പോൾ ലൈസേറ്റ്യും DNA-യും ആധിപത്യം പുലർത്തുന്നു. അതായത്, യീൽഡ് ആണ് ഏറ്റവും കൂടുതൽ മുൻതൂക്കം നൽകുന്ന തന്ത്രം. നിങ്ങൾ ചെലവേറിയ ഇൻപുട്ടിന്റെ ഓരോ യൂണിറ്റിലും പ്രോട്ടീൻ ഔട്ട്പുട്ട് വർധിപ്പിക്കാൻ കഴിയുമെങ്കിൽ, മറ്റിടങ്ങളിൽ ചെറിയ ലാഭങ്ങൾ തേടുന്നതിന് മുമ്പുതന്നെ ചെലവിൽ ഗണ്യമായ പുരോഗതി കൈവരിക്കാം.
ആറു റൗണ്ടുകളിലായി സ്വയംഭരണ പരീക്ഷണങ്ങൾ നടത്തുമ്പോൾ, സെൽ-ഫ്രീ പ്രോട്ടീൻ സിന്തസിസ് സംവിധാനം സ്ഥിരതയോടെ മെച്ചപ്പെട്ടു, പ്രോട്ടീൻ ഉൽപാദനം വർദ്ധിപ്പിക്കുമ്പോൾ ചെലവുകൾ കുറച്ചു. ഓരോ റൗണ്ടിനും പ്രതികരണ ചെലവും പ്രോട്ടീൻ ടൈറ്ററും തമ്മിലുള്ള ബന്ധം ഫലമായി കാണിക്കുന്നു, മികച്ച ട്രേഡ്ഓഫുകൾ ഒരു Frontier രൂപപ്പെടുത്തുന്നു. വലുതായ പോയിന്റുകൾ ഓരോ റൗണ്ടിലും കൈവരിച്ച ഏറ്റവും കുറഞ്ഞ ചെലവ്-പ്രതി-ഗ്രാം നെ അടയാളപ്പെടുത്തുന്നു, കൂടാതെ നക്ഷത്ര/ചിതറിച്ച റഫറൻസ് 384-വെൽ പ്ലേറ്റുകളിൽ മുൻകാല state-of-the-art ബെഞ്ച്മാർക്ക് നെ സൂചിപ്പിക്കുന്നു (Olsen et al., 2025). പിന്നീടുള്ള റൗണ്ടുകളെ വെച്ചുനോക്കുമ്പോൾ അന്തിമ നേട്ടങ്ങൾ വ്യക്തമായി കാണാം, കൂടാതെ ഓരോ റൗണ്ടിലെയും സംഗ്രഹം സമയത്തിനൊപ്പം മികച്ച ചെലവ്-പ്രതി-ഗ്രാം കുറയുന്നതായി കാണിക്കുന്നു.
ഈ ഫലങ്ങൾ ഒരു പ്രോട്ടീൻ, sfGFP, കൂടാതെ ഒരു സെൽ-ഫ്രീ പ്രോട്ടീൻ സിന്തസിസ് (CFPS) സംവിധാനത്തിൽ തെളിയിച്ചു. മറ്റ് പ്രോട്ടീനുകളിലേക്കും മറ്റ് CFPS സിസ്റ്റങ്ങളിലേക്കും ഉള്ള പൊതുവൽക്കരണം ഇപ്പോഴും തെളിയിക്കപ്പെടേണ്ടതുണ്ട്.
ഓക്സിജനേഷനും പ്രതികരണ ജ്യാമിതിയും ഫലപ്രാപ്തിയെ ശക്തമായി ബാധിക്കാം, കൂടാതെ ഈ ഘടകങ്ങൾ വ്യത്യസ്ത സ്കെയിലുകളിൽ വ്യത്യാസപ്പെടാം. ചില മെച്ചപ്പെടുത്തലുകൾ ഈ സാഹചര്യങ്ങളോട് സംവേദനശീലമായിരിക്കാം, ആ സംവേദനശീലങ്ങള് മനസ്സിലാക്കുന്നതാണ് അടുത്ത ഘട്ടത്തിന്റെ ഭാഗം.
പ്രോട്ടോക്കോൾ മെച്ചപ്പെടുത്തലുകൾക്കും രാസവസ്തുക്കൾ കൈകാര്യം ചെയ്യുന്നതിനും മനുഷ്യ മേൽനോട്ടം ആവശ്യമായിരുന്നു. സിസ്റ്റം പരീക്ഷണങ്ങൾ രൂപകൽപ്പന ചെയ്യാനും വ്യാഖ്യാനിക്കാനും കഴിവുള്ളതാണ്, പക്ഷേ ലബോറട്ടറി പ്രവർത്തനത്തിൽ ഇപ്പോഴും പരിചയസമ്പന്നരായ Operatorമാർ ആവശ്യമായ പ്രായോഗിക വിശദാംശങ്ങൾ കൈകാര്യം ചെയ്യുന്നു.
വേഗതയേറിയ ആവർത്തനം പുരോഗതി തുറക്കാൻ സഹായിക്കുന്ന മറ്റ് ജീവശാസ്ത്ര പ്രവൃത്തിപദ്ധതികളിലും ലാബ്-ഇൻ-ദ-ലൂപ്പ് ഓപ്റ്റിമൈസേഷൻ പ്രയോഗിക്കാൻ ഞങ്ങൾ പദ്ധതിയിടുന്നു. സ്വയംഭരണ ലാബുകളെ ഞങ്ങൾ മോഡലുകൾക്ക് പൂരകമായി കാണുന്നു. മോഡലുകൾക്ക് ഡിസൈനുകൾ സൃഷ്ടിക്കാൻ കഴിയും, പക്ഷേ ഒടുവിൽ ജീവശാസ്ത്രത്തിന് ഇപ്പോഴും പരിശോധനയും ആവർത്തനവും ആവശ്യമാണ്. സൃഷ്ടിയും പരീക്ഷണവും തമ്മിലുള്ള ചക്രം പൂർത്തിയാക്കുന്നതാണ് പ്രതീക്ഷ നൽകുന്ന ആശയങ്ങളെ പ്രവർത്തനക്ഷമമായ ഫലങ്ങളാക്കി മാറ്റുന്നത്.
ശാസ്ത്ര പുരോഗതി സുരക്ഷിതവും ഉത്തരവാദിത്വപരവും ആയി വേഗത്തിലാക്കാൻ ഞങ്ങൾ പ്രവർത്തിക്കുമ്പോൾ, ബയോസെക്യൂരിറ്റിയുമായി ബന്ധപ്പെട്ട അപകടസാധ്യതകൾ വിലയിരുത്തുകയും കുറയ്ക്കുകയും ചെയ്യാനും ഞങ്ങൾ ശ്രമിക്കുന്നു. ഈ ഫലങ്ങൾ മോഡലുകൾക്ക് പ്രോട്ടോകോളുകൾ മെച്ചപ്പെടുത്തുന്നതിനായി വെറ്റ് ലാബിൽ ചിന്തിക്കാൻ കഴിയുമെന്ന് കാണിക്കുന്നു, കൂടാതെ ഞങ്ങൾ വിലയിരുത്തുകയും ലഘൂകരിക്കുകയും ചെയ്യുന്ന ബയോസെക്യൂരിറ്റിയുമായി ബന്ധപ്പെട്ട പ്രത്യാഘാതങ്ങൾ ഉണ്ടാകാനും സാധ്യതയുണ്ട്, ഇത് ഞങ്ങളുടെ പ്രിപെയർഡ്നസ് ഫ്രെയിംവർക്ക് വഴി ചെയ്യുന്നു. ഞങ്ങൾ ഈ അപകടസാധ്യതകൾ കുറയ്ക്കുന്നതിനായി മോഡൽ-തലത്തിലും സിസ്റ്റം-തലത്തിലും ആവശ്യമായും സൂക്ഷ്മവുമായ സുരക്ഷാ നടപടികൾ നിർമ്മിക്കാൻ പ്രതിജ്ഞാബദ്ധരാണ്, കൂടാതെ നിലവിലെ നിലകൾ പിന്തുടരുന്നതിനുള്ള വിലയിരുത്തലുകൾ വികസിപ്പിക്കുന്നതിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.
ഈ പ്രവർത്തനത്തിന് പിന്നിലെ ഓട്ടോമേറ്റഡ് ക്ലൗഡ് ലബോറട്ടറി രൂപകൽപ്പന ചെയ്യാനും പ്രവർത്തിപ്പിക്കാനും പിന്തുണ നൽകാനും സഹായിച്ച Ginkgo Bioworks ലെ ഞങ്ങളുടെ പങ്കാളികൾക്കും ടീമുകൾക്കും ഞങ്ങൾ നന്ദിയുള്ളവരാണ്.
