Przyspieszanie badań biologicznych za pomocą AI w laboratorium mokrym
GPT‑5 utworzył nowe ulepszenia protokołów w laboratorium mokrym, optymalizując wydajność protokołu klonowania molekularnego 79-krotnie.
Przyspieszenie postępu naukowego to jeden z najcenniejszych sposobów, w jaki AI może przynieść korzyści ludzkości. Dzięki GPT‑5 zaczynamy dostrzegać wczesne oznaki tych postępów – naukowcy nie tylko mogą szybciej przeglądać literaturę naukową, ale także korzystać z nowych form rozumowania naukowego, takich jak ujawnianie nieoczekiwanych powiązań, proponowanie strategii dowodowych czy sugerowanie wiarygodnych mechanizmów, które eksperci mogą ocenić i przetestować.
Aktualnie postęp jest najbardziej widoczny w dziedzinach takich jak matematyka, fizyka teoretyczna i informatyka teoretyczna, gdzie idee można rygorystycznie sprawdzać bez przeprowadzania eksperymentów fizycznych. Biologia jest inna: większość postępów zależy od przeprowadzania eksperymentów, iteracji i empirycznej weryfikacji w laboratorium.
Aby pomóc zrozumieć, jak modele pionierskie zachowują się w tych warunkach, pracowaliśmy z Red Queen Bio, start-upem zajmującym się bezpieczeństwem biologicznym, aby stworzyć ramy oceny, które testują, jak model proponuje, analizuje i iteruje pomysły w laboratorium mokrym. Utworzyliśmy prosty system eksperymentalny z zakresu biologii molekularnej i zleciliśmy GPT‑5 optymalizację protokołu klonowania molekularnego w celu zwiększenia wydajności.
Podczas wielu rund eksperymentów GPT‑5 wprowadził nowy mechanizm, który zwiększył wydajność klonowania 79 razy. Klonowanie to podstawowe narzędzie biologii molekularnej. Efektywność metod klonowania jest kluczowa dla tworzenia dużych, złożonych bibliotek, które są istotne dla inżynierii białek(otwiera nowe okno), przesiewów genetycznych(otwiera nowe okno) oraz inżynierii szczepów organizmów(otwiera nowe okno). Ten projekt pokazuje, jak AI może współpracować z biologami, aby przyspieszyć badania. Udoskonalenie metod eksperymentalnych pomoże badaczom szybciej osiągać wyniki, obniżyć koszty i przekształcić odkrycia w rzeczywisty wpływ.
Ponieważ postępy w rozumowaniu biologicznym mają implikacje dla bezpieczeństwa biologicznego, przeprowadziliśmy tę pracę w ściśle kontrolowanym środowisku – używając nieszkodliwego systemu eksperymentalnego, ograniczając zakres zadania i oceniając zachowanie modelu, aby przekazać dane do naszych ocen ryzyka związanego z bezpieczeństwem biologicznym oraz wspomóc rozwój zabezpieczeń na poziomie modelu i systemu, zgodnie z naszymi Ramami gotowości(otwiera nowe okno).
W tym obszarze GPT‑5 samodzielnie analizował protokół klonowania, proponował zmiany i uwzględniał dane z nowych eksperymentów, aby zasugerować dalsze ulepszenia. Jedyną interwencją człowieka było zrealizowanie zmodyfikowanego protokołu przez naukowców i przesyłanie danych eksperymentalnych.
W trakcie wielu rund GPT‑5 zoptymalizował procedurę klonowania i zwiększył wydajność ponad 79-krotnie, co oznacza, że dla ustalonej ilości danych wejściowych DNA odzyskaliśmy 79 razy więcej klonów zweryfikowanych sekwencyjnie niż w protokole bazowym. Najbardziej znaczące było wprowadzenie dwóch enzymów, które stanowią nowy mechanizm: rekombinazy RecA z E. coli oraz białka wiążącego jednoniciowe DNA (gp32) z faga T4. Działając w tandemie, gp32 wygładza i rozplątuje luźne końce DNA, a następnie RecA prowadzi każdą nić do jej właściwego dopasowania.
Wstępne badania przesiewowe i eksperymenty wtórne zidentyfikowały RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF) oraz Transformation 7 (T7) jako najlepsze protokoły enzymatyczne i transformacyjne. Zarówno metoda RAPF, jak i transformacja T7 niezależnie poprawiły wydajność klonowania w porównaniu z podstawowym protokołem klonowania reakcji HiFi, odpowiednio 2,6-krotnie i 36-krotnie; połączenie tych metod zapewniło łącznie poprawę wydajności o 79-krotnej. Wszystkie klony potwierdzono sekwencjonowaniem. (Słupki błędów: SD z n=3 niezależnych eksperymentów walidacyjnych).
Chociaż są to wstępne wyniki, są one obiecujące. Ulepszenia są specyficzne dla naszego konkretnego zestawu do klonowania używanego w naszym systemie modelowym i nadal wymagają, by naukowcy konfigurowali i przeprowadzali protokoły. Mimo to eksperymenty wykazują, że systemy AI mogą znacząco wspierać rzeczywistą pracę laboratoryjną i przyspieszać pracę naukowców w przyszłości.
Co istotne, pętla AI-lab została uruchomiona z ustalonymi poleceniami i bez udziału człowieka. Ten proces pomógł ujawnić zdolność modelu do proponowania naprawdę nowatorskich zmian w protokołach niezależnie od ludzkiego kierownictwa, ale jednocześnie zamknął system w obszarze eksploracji i ograniczył jego zdolności do maksymalizacji wydajności nowo odkrytych pomysłów. Lepsza dynamiczna równowaga między eksploracją a eksploatacją prawdopodobnie przyniosłaby większe korzyści, ponieważ zarówno ulepszenia enzymatyczne, jak i transformacyjne mogą być znacznie bardziej udoskonalone. Oczekujemy, że postępy w planowaniu i rozumowaniu w kontekście zadań rozszerzą możliwość dokonywania odkryć i późniejszej ich optymalizacji z zastosowaniem prostych, stałych poleceń.
Klonowanie Gibsona(otwiera nowe okno) to podstawowa metoda klonowania stosowana od momentu jej wynalezienia w 2009 roku, któa jest szeroko stosowaną w biologii molekularnej. Metoda Gibsona umożliwia biologom molekularnym „sklejanie” fragmentów DNA przez krótkie topienie ich końców, aby dopasowane sekwencje mogły być złączone w jedną cząsteczkę. Jednym z głównych atutów metody Gibsona jest jej prostota: wszystko dzieje się w jednej probówce w jednej temperaturze. Te ograniczenia naturalnie pozostawiają miejsce na poprawę. Ponadto następujące właściwości sprawiają, że jest dobrym kandydatem do ocenienia zdolności modeli AI w zakresie ulepszania technik w laboratorium mokrym:
- Dobrze zdefiniowana z kontrolowanymi komponentami, w przeciwieństwie do systemu opartego na komórkach
- Ma jasno określoną funkcję optymalizacji: przekształcalne zcyrkularyzowane DNA wykonane z ustalonej ilości danych wejściowych liniowego DNA
- Stosunkowo szybkie cykle eksperymentalne (1-2 dni)
- Wielowymiarowa przestrzeń projektowa wymagająca mechanistycznego rozumowania do poprawy: optymalne bufory, odczynniki i temperatury są wzajemnie zależne.
Za punkt wyjścia posłużył nam HiFi assembly(otwiera nowe okno), czyli zastrzeżony system enzymatyczny opracowany przez New England Biolabs oparty na metodzie Gibsona. Badaliśmy, czy sztuczna inteligencja może wprowadzać innowacje i uczyć się na podstawie opinii z eksperymentów po usunięciu ograniczeń jednego kroku i izotermicznych, a tym samym identyfikować ulepszenia protokołów w tym scenariuszu.
Przeprowadziliśmy dwuczęściową reakcję klonowania z użyciem genu zielonego białka fluorescencyjnego (GFP) oraz powszechnie stosowanego plazmidu pUC19, standardowego „wehikułu” DNA do przenoszenia genów do bakterii, aby mogły być kopiowane. Celem było zwiększenie liczby pomyślnych kolonii.
Zoptymalizowaliśmy reakcję klonowania, wprowadzając ewolucyjne ramy w celu iteracji propozycji, co umożliwia modelowi naukę „online” z na podstawie eksperymentów. W każdej rundzie GPT‑5 proponował partię 8-10 różnych reakcji, a jeśli reakcje wymagały niestandardowych odczynników, które nie były dostępne w laboratorium, były one przesuwane do późniejszych rund. Naukowcy przeprowadzili reakcje i zmierzyli liczebność kolonii względem bazowego zestawy HiFi Gibson w początkowym badaniu. Najlepsze dane z poprzedniej rundy zostały następnie wprowadzone do kolejnej rundy. Co istotne, ujednolicono sposób zadawania pytań bez udziału człowieka, poza pytaniami wyjaśniającymi, co pozwala przypisać nowe mechanistyczne analizy bezpośrednio AI, a nie ludzkiemu nadzorowi.
Przetestowaliśmy ponownie osiem najlepszych reakcji z pełnej serii optymalizacji, stosując szerszy zakres rozcieńczeń DNA, i odkryliśmy, że wiele z nich wykazywało mniejsze efekty niż w początkowym badaniu; ostatecznie najsilniejszym zweryfikowanym kandydatem była reakcja z rundy 5, która odtworzyła swoją pierwotną wydajność. Wiele wyników o wysokiej wydajności należało do rodziny ligazy-polimerazy, która wydaje się być szczególnie wrażliwa na niewielkie zmiany stanu komórek kompetentnych i/lub postępowania z DNA po reakcji. Ponieważ te reakcje wykorzystały krótki etap HiFi, przypuszczamy, że wiele produktów prawdopodobnie wchodzi do E. coli z tylko jednym uszczelnionym złączem, a drugie jest utrzymywane przez wyżarzanie, pozostawiając dalsze naprawy ścieżkom naprawczym komórki. To tworzy dużą zmienność i dynamikę „doskonałego wyniku”: nawet jeśli większość wariantów tej reakcji nie przynosi lepszych wyników, pojedynczy silny przypadek odstający może przenieść całą grupę do kolejnych rund.
Gdy skupialiśmy się na optymalizacji reakcji klonowania przez kolejne rundy z powodu jej złożoności mechanistycznej, równocześnie optymalizowaliśmy procedurę transformacji, stosując pojedynczą rundę „jednego wyboru”, w której model zaproponował wiele niezależnych zmian, a my wybraliśmy najlepiej działającą reakcję.
Początkowe ekrany optymalizacji w dwuetapowym procesie klonowania: montaż enzymatyczny i transformacja. (Po lewej) Iteracyjna optymalizacja montażu enzymatycznego przez pięć rund (łącznie 44 reakcje). Zaczynając od bazowej wersji montażu HiFi, GPT‑5 zaproponował 8–10 wariantów protokołu montażu na rundę; dane z najlepszych wyników zostały włączone do kolejnych poleceń. W każdej rundzie przedstawiamy najlepszą reakcję do tej pory (w tym z poprzednich rund). (Po prawej) Jednorazowa optymalizacja warunków transformacji przy testowaniu 13 różnych protokołów. Dla obu ekranów optymalizacji dane przedstawiają pojedyncze pomiary (n=1) dla każdego warunku; powtórna walidacja została przeprowadzona osobno dla najlepszych kandydatów.
Korzystając ze znormalizowanych poleceń bez udziału człowieka, GPT5 zwiększył wydajność całościowego klonowania 79-krotnie, co potwierdzono w powtarzalnych eksperymentach.
Co istotne, model zaproponował nową procedurę enzymatyczną, którą nazwał RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF-HiFi), dodając do reakcji dwa nowe białka: rekombinazę RecA z E. coli oraz białko wiążące jednoniciowe DNA (gp32) z faga T4. Ponadto model dokonał celowych modyfikacji temperatury i czasu inkubacji oraz momentu dodawania enzymów: zaproponował dodanie RecA i gp32 po początkowej reakcji HiFi w 50°C, pozwalając tym białkom działać w 37°C, a następnie wrócić do 50°C, aby zakończyć zestawienie. Te nowe modyfikacje zwiększyły wydajność ponad 2,5 raza. Należy zauważyć, że odzwierciedla to początkową wydajność bez iteracyjnej optymalizacji warunków reakcji i czasu.
Po stronie transformacji najskuteczniejsza modyfikacja okazała się niespodziewanie prosta: peletowanie komórek (wirowanie ich w wirówce, aby zebrały się na dnie probówki), usuwanie połowy dostarczonej objętości i ponowne zawieszenie komórek przed dodaniem DNA, wszystko w temperaturze 4°C. Chociaż komórki chemicznie sprawne o wysokiej wydajności są zazwyczaj uważane za delikatne, dobrze tolerowały koncentrację, a bardziej intensywne zderzenia molekularne znacznie zwiększyły wydajność transformacji (ponad 30-krotnie w końcowej walidacji).
Egzonukleaza T5 tworzy zwisy 3′, które gp32 stabilizuje poprzez tłumienie struktury drugorzędowej. RecA następnie wnika od końców 3′, wypierając gp32 i wspomagając wyszukiwanie homologii oraz łączenie. Podgrzewanie do 50 °C usuwa oba białka, co umożliwia wypełnienie luki przez polimerazę i ligację.
Metoda Gibsona działa poprzez nadanie fragmentom DNA pasujących „lepkich” końców, aby mogły się odnaleźć i połączyć. Reakcja wykorzystuje dwa różne enzymy (polimerazę i ligazę) do uszczelnienia połączonych fragmentów. W RAPF-HiFi wprowadzono dwa białka, aby poprawić działanie etapu dopasowywania. Pierwszy, gp32, działa jak grzebień, który wygładza i rozplątuje luźne końce DNA. Drugi, RecA, działa jak przewodnik, który wyszukuje odpowiedniego partnera dla każdej nici i łączy pasujące fragmenty. Wyższa temperatura powoduje, że oba pomocnicze białka odłączają się od DNA, co umożliwia normalnym enzymom Gibsona dokończenie reakcji.
Podsumowując: stawiamy hipotezę, że zwiększenie wydajności nastąpiło w wyniku działania następującego mechanizmu:
- Gp32 pokrywa nieanodowane jednoniciowe ogony DNA (ssDNA), usuwając strukturę drugorzędową
- RecA, zwykle hamowany przez strukturę, wnika od 3' i wypiera filament gp32
- RecA pośredniczy w poszukiwaniu homologii ssDNA:ssDNA(otwiera nowe okno), co napędza łączenie
- Powrót do 50°C powoduje przemieszczenie zarówno filamentów recA, jak i gp32, co umożliwia polimerazie i ligazie dokończenie reakcji.
Aby sprawdzić, czy nowe enzymy działają prawidłowo, oraz wykluczyć, że poprawa wydajności wynika wyłącznie ze zmian w etapach termicznych lub buforach, przetestowaliśmy wydajność RAPF-HiFi bez RecA oraz bez RecA i gp32. Wydajność obu reakcji zmniejszyła się w porównaniu z RAPF-HiFi, co sugeruje, że oba białka są niezbędne do działania mechanizmu RAPF-HiFi.
Aby przetestować mechanizm podstawowy, oddzielamy dwa nowe enzymy w reakcji: RecA i gp32. Pokazujemy, że każdy z tych elementów osobno zmniejsza wydajność w porównaniu z bazowym HiFi. Razem przewyższają wartość odniesienia z 2,6-krotnym wzrostem wydajności. (Słupki błędów: SD z n=3 niezależnych eksperymentów)
Rozwój RAPF-HiFi sugeruje, że GPT‑5 potrafi prowadzić złożone, wielowymiarowe rozumowanie:
- RecA jest hamowany przez strukturę DNA(otwiera nowe okno), więc warto zauważyć, że model wprowadził jednocześnie dwie synergiczne modyfikacje: dodanie RecA oraz uzupełnienie go gp32 w celu usuwania struktury drugorzędowej DNA.
- Naturalnym partnerem E. coli RecA jest białko wiążące jednoniciowe E. coli (SSB). SSB pełni podobną rolę do gp32 podczas replikacji genomu, rekombinacji i naprawy. Jednak E. coli SSB nie odłącza się spontanicznie od DNA wystarczająco szybko, aby umożliwić wzrost filamentu RecA, a kompleks RecFOR promuje nukleację RecA na filamencie SSB in vivo(otwiera nowe okno). SSB wiąże się jako stabilny tetramer z bardzo niskimi szybkościami dysocjacji(otwiera nowe okno). Natomiast filament gp32 jest bardziej dynamiczny(otwiera nowe okno), co umożliwia przemieszczenie RecA.
Według naszej wiedzy, RecA i gp32 nie były dotychczas używane razem w funkcjonalny sposób w biologii molekularnej. Podobnie jak w przypadku wielu nowatorskich technik w ramach biologii molekularnej podstawowe działania biochemiczne były już badane, ale ich zastosowanie jako praktycznej, uniwersalnej metody stanowi postęp.
Na przykład interakcja RecA i gp32 była badana w mechanistycznych testach rekonstrukcji in vitro: w badaniach formowania pętli D wykazano, że gp32(otwiera nowe okno) jest zdolny do zwiększania aktywności RecA. Gp32 był używany w połączeniu z jego naturalnym partnerem rekombinazy T4 UvsX oraz czynnikiem ładującym rekombinazę uvsY w amplifikacji polimerazy rekombinazy (RPA(otwiera nowe okno)). Chociaż specyfikacja patentowa RPA potwierdza(otwiera nowe okno), że skuteczne reakcje RPA zostały zademonstrowane przy użyciu RecA E. coli w heterologicznym systemie z upośledzonym (tj. zmodyfikowanym, nie-dzikim) białkiem gp32, to twierdzenie to pojawia się jedynie jako dygresja w niektórych informacjach patentowych i, według naszej wiedzy, nie zostało poparte opublikowanymi danymi ani przyjęte jako solidny system RPA oparty na RecA. Jedna z metod klonowania o nazwie SLiCE(otwiera nowe okno) wykorzystuje wyciąg z całych komórek E. coli zawierający system rekombinacji λ Red, gdzie Red beta może pełnić podwójną rolę białka wiążącego DNA i rekombinazy (choć wyraźnie zabroniliśmy użycia wyciągów komórkowych w naszym poleceniu). W innej aplikacji Ferrin i Camerini-Otero(otwiera nowe okno) użyli samego RecA do selektywnego wychwytywania cząsteczek DNA na podstawie pasujących sekwencji. Niezależnie gp32 był stosowany jako dodatek(otwiera nowe okno) w procesie amplifikacji DNA zwanym PCR w celu redukcji struktury drugorzędowej. Wykazano, że amplifikacja NABSA była wzmocniona(otwiera nowe okno) zarówno przez RecA, jak i gp32, chociaż każdy z tych elementów mógł wzmocnić reakcję niezależnie i nie zidentyfikowano synergii. Ogólnie zgłaszane ulepszenia podstawowych reakcji montażu DNA w stylu Gibsona były rzadkie, a najbardziej godnym uwagi przykładem jest białko wiążące DNA odporne na ciepło (ET SSB), które zwiększa wydajność tego procesu około 2,5-krotnie(otwiera nowe okno).
W większości zastosowań nie oczekujemy, że RAPF-HiFi dorówna prostocie i niezawodności klonowania HiFi/Gibson. Jednak pojawienie się mechanistycznie odrębnej ścieżki działań jest godne uwagi: GPT‑5 opracował rozwiązanie, które obejmuje nieznaną kombinację białek rekombinacyjnych i dynamiki reakcji. Podstawowy mechanizm może okazać się modułowy, dostarczając komponenty, które można ponownie wykorzystać lub połączyć w innych procesach molekularnych. Kontynuujemy również odkrywanie ulepszeń w RAPF-HiFi. Temperatury reakcji i czas trwania etapów można dostosować, aby zrównoważyć aktywność RecA i gp32 względem nadmiernego trawienia przez egzonukleazę, a ilości obu białek nadal wymagają optymalizacji. GPT‑5 zaproponował także hiperaktywny wariant RecA, który właśnie oczyszczamy.
W odniesieniu do protokołu transformacji pomyślne warunki optymalizacji obejmowały różnorodne dodatki i zmiany termiczne mające na celu zwiększenie efektywności szoku cieplnego komercyjnych komórek kompetentnych 10-beta(otwiera nowe okno). Spośród 13 przetestowanych jednorazowych transformacji generowanych przez AI, najskuteczniejszą modyfikacją była Transformacja 7 (T7), która osadzała komórki, usuwając połowę dostarczonej objętości, a następnie resuspendując komórki przed dodaniem DNA, wszystko w temperaturze 4°C. Komórki chemicznie kompetentne o wysokiej wydajności są zazwyczaj uważane za delikatne, dlatego unika się takich kroków w ich obsłudze. Niemniej komórki dobrze tolerowały stężenie. Połączone efekty zwiększonej ekspozycji DNA na każdą komórkę oraz zmniejszonej ilości bufora hamującego, co prowadzi do ostrzejszego szoku cieplnego, spowodowały znaczny wzrost wydajności transformacji (ponad 30-krotny).
Ten protokół transformacji jest nowatorski, chociaż zgłoszono już podobne podejście(otwiera nowe okno), w którym komórki są koncentrowane na wcześniejszym etapie. Co istotne, metoda opracowana tutaj przez GPT‑5 jest zgodna z dostępnymi na rynku chemicznie kompetentnymi komórkami i eliminuje potrzebę przygotowywania komórek we własnym zakresie, a jednocześnie przewyższa zgłoszone zyski wydajnościowe w przypadku podobnego podejścia na porównywalnych szczepach komórek.
Aby zwiększyć przepustowość tego eksperymentalnego systemu modelowego, Robot on Rails i Red Queen Bio współpracowali, aby zbudować system robotyczny, który przyjmuje protokół klonowania w języku naturalnym i wykonuje go w laboratorium mokrym.
System łączy trzy komponenty: 1) duży model językowy na linii człowiek-robot, który przekształca proste polecenia w języku angielskim na działania robota; 2) system wizyjny, który identyfikuje i lokalizuje sprzęt laboratoryjny w czasie rzeczywistym; oraz 3) planistę ścieżki robota, który określa, jak bezpiecznie i dokładnie wykonać każde działanie. Rezultatem jest elastyczny, uniwersalny robot laboratoryjny, który został dodatkowo zoptymalizowany pod kątem wariantów protokołu klonowania Gibsona.
Sprawdziliśmy, czy autonomiczny robot jest w stanie przeprowadzić pełny eksperyment klonowania, uruchamiając jednocześnie dwa protokoły: standardową metodę HiFi oraz R8 – najlepiej działający protokół zmodyfikowany przez AI z pierwszej rundy optymalizacji.
Porównaliśmy pracę robota z eksperymentami wykonywanymi przez ludzi na każdym etapie. Robot z powodzeniem przeprowadził proces transformacji, który wymagał różnorodnych operacji fizycznych: transferu i mieszania cieczy, przemieszczania probówek z próbkami, stosowania kontrolowanego ciepła do komórek oraz rozprowadzania komórek na płytkach hodowlanych. Porównując bezpośrednio z transformacjami wykonywanymi przez ludzi, robot generował dane o podobnej jakości z równoważnymi ulepszeniami względem wartości bazowej, co pokazuje wczesny potencjał do automatyzacji i przyspieszenia optymalizacji eksperymentów biologicznych.
Chociaż zmiany w liczbie kolonii między eksperymentami z robotem a ludzkimi były podobne, bezwzględne liczby kolonii uzyskane przez robota były około dziesięciokrotnie niższe niż przy ręcznym wykonaniu, co wskazuje na obszary do poprawy, takie jak precyzja obsługi cieczy, kalibracja kontroli temperatury oraz odtwarzanie niuansów ręcznych technik obsługi komórek.
Zarówno standardowa metoda HiFi (podstawowa), jak i ulepszona metoda R8 zostały przeprowadzone przez ludzkich badaczy oraz autonomicznego robota, a wydajności transformacji znormalizowano względem odpowiednich wartości odniesienia HiFi (ustawionych na 1,0). R8 wykonany przez człowieka wykazał poprawę 2,39-krotną; R8 wykonany przez robota osiągnął poprawę 2,13-krotną (89% wydajności ludzkiej), co pokazuje porównywalną klasyfikację protokołu pomimo niższych wyników bezwzględnych.
Wierzymy, że te eksperymenty oferują zapowiedź tego, jak będzie wyglądać przyszła nauka wspomagana przez AI: modele, które nieustannie się uczą i wchodzą w interakcje z rzeczywistym światem. Chociaż nasze eksperymenty wykluczały interwencję człowieka, aby mierzyć tylko możliwości modelu, jesteśmy szczególnie podekscytowani tym, jak AI może pomóc naukowcom w projektowaniu eksperymentów i przyczynianiu się do przełomów badawczych.
Skupiając się nad przyspieszeniem postępu naukowego w sposób bezpieczny i odpowiedzialny, dążymy również do oceny i redukcji ryzyka, szczególnie tego związanego z bezpieczeństwem biologicznym. Te wyniki pokazują, że modele mogą rozumować w laboratorium mokrym, aby ulepszać protokoły, i mogą mieć implikacje dla bezpieczeństwa biologicznego, co opisujemy w naszych Ramach gotowości(otwiera nowe okno). Jesteśmy zaangażowani w budowanie niezbędnych i zróżnicowanych zabezpieczeń na poziomie modelu i systemu, aby zredukować te ryzyka, a także opracować oceny do śledzenia obecnych poziomów.
