Pospeševanje znanstvenega napredka je eden najdragocenejših načinov, na katere lahko umetna inteligenca koristi človeštvu. Z modelom GPT‑5 začenjamo opažati zgodnje znake takšnega napredka – ne le pri pomoči raziskovalcem, da hitreje pregledujejo znanstveno literaturo, temveč tudi pri podpori novih oblik znanstvenega razmišljanja, kot so odkrivanje nepričakovanih povezav, predlaganje strategij dokazovanja ali predlaganje verjetnih mehanizmov, ki jih lahko strokovnjaki ocenijo in preizkusijo.
Dozdajšnji napredek je najbolj viden na področjih, kot so matematika, teoretična fizika in teoretično računalništvo, kjer je mogoče zamisli temeljito preveriti brez fizikalnih poskusov. Pri biologiji je drugače: večina napredka je odvisna od izvedbe eksperimentalnih metod, ponovitev in empirične potrditve v laboratoriju.
Da bi lažje razumeli, kako se najnaprednejši modeli obnašajo v teh okoljih, smo z zagonskim podjetjem Red Queen Bio, ki deluje na področju biološke varnosti, sodelovali pri izgradnji evalvacijskega okvira za preizkušanje, kako model predlaga, analizira in ponavlja izvajanje zamisli v mokrem laboratoriju. Vzpostavili smo preprost eksperimentalni sistem za molekularno biologijo in model GPT‑5 uporabili za optimizacijo protokola molekularnega kloniranja za večjo učinkovitost.
Po več krogih eksperimentiranja je model GPT‑5 uvedel povsem nov mehanizem, ki je za 79-krat izboljšal učinkovitost kloniranja. Kloniranje je temeljno orodje v molekularni biologiji. Učinkovitost metod kloniranja je ključnega pomena za ustvarjanje obsežnih in kompleksnih knjižnic, ki so osrednjega pomena pri proteinskem inženiringu(odpre se v novem oknu), genetskih preiskavah(odpre se v novem oknu) in inženiringu organizmičnih sevov(odpre se v novem oknu). Ta projekt ponuja bežen vpogled v to, kako bi lahko umetna inteligenca v sodelovanju z biologi pospešila raziskave. Izboljšanje eksperimentalnih metod bo pomagalo človeškim raziskovalcem hitreje napredovati, zmanjšati stroške in odkritja pretvoriti v dejanske učinke.
Ker napredek pri razmišljanju na področju biologije prinaša posledice za biološko varnost, smo to delo izvedli v strogo nadzorovanem okolju – z uporabo neškodljivega eksperimentalnega sistema, omejevanjem obsega naloge in ocenjevanjem vedenja modela, da bi zagotovili potrebne podatke za naše presoje bioloških varnostnih tveganj in razvoj varovalnih ukrepov na ravni modela in sistema, kot je opisano v našem Okviru pripravljenosti(odpre se v novem oknu).
V tej postavitvi je model GPT‑5 samostojno razmišljal o protokolu kloniranja, predlagal spremembe in vključil podatke iz novih poskusov za predlaganje dodatnih izboljšav. Edini človeški poseg je bil, ko so znanstveniki izvedli spremenjeni protokol in naložili eksperimentalne podatke.
V več krogih je model GPT‑5 optimiziral postopek kloniranja, da bi izboljšal učinkovitost za več kot 79-krat, kar pomeni, da smo za določeno količino vhodne DNK pridobili 79-krat več klonov s preverjeno sekvenco kot pri osnovnem protokolu. Najbolj opazno je, da je uvedel dva encima, ki predstavljata povsem nov mehanizem: rekombinazo RecA iz E. coli in enoverižni DNK-vezavni protein gena 32 iz faga T4 (gp32). Z delovanjem v tandemu gp32 gladi in razpleta ohlapne konce DNK, nato pa RecA vodi vsako verigo do njenega pravilnega ujemanja.
Začetni pregledi in sekundarni poskusi so identificirali RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF) in Transformacijo 7 (T7) kot najboljša encimska in transformacijska protokola. Tako sestava RAPF kot transformacija T7 sta neodvisno izboljšala učinkovitost kloniranja v primerjavi z osnovnim protokolom kloniranja HiFi-reakcije, in sicer za 2,6-krat oziroma 36-krat; v kombinaciji pa sta zagotovila dodatno izboljšanje zmogljivosti za 79-krat. Vsi kloni so bili potrjeni s sekvenciranjem. (Napake: SD pri n=3 neodvisnih validacijskih poskusih).
Čeprav so ti rezultati zgodnji, so spodbudni. Izboljšave so omejene na našo posebno klonirno ureditev, ki jo uporablja naš modelni sistem, in še vedno zahtevajo, da človeški znanstveniki vzpostavijo in izvajajo protokole. Kljub temu ti poskusi kažejo, da lahko sistemi umetne inteligence smiselno podpirajo resnično laboratorijsko delo in morda v prihodnosti pospešijo delo človeških znanstvenikov.
Pomembno je, da je bilo laboratorijsko krožno izvajanje z umetno inteligenco izvedeno s fiksnimi pozivi in brez človeškega posredovanja. To ogrodje je pomagalo razkriti sposobnost modela, da predlaga resnično izvirne spremembe protokola neodvisno od človeškega vodenja, vendar je sistem hkrati zaklenilo na raziskovanje in omejilo njegovo sposobnost za maksimiranje zmogljivosti pri novo odkritih zamislih. Boljše dinamično ravnovesje med raziskovanjem in izkoriščanjem bi verjetno prineslo večje koristi, saj je tako encimske kot transformacijske izboljšave še vedno mogoče močno izpopolniti. Pričakujemo, da bo napredek pri načrtovanju in razmišljanju po celotnem razponu nalog izboljšal sposobnost preprostih fiksnih pozivov, da podpirajo tako odkrivanje kot tudi nadaljnjo optimizacijo.
Reakcija Gibsonova sestava(odpre se v novem oknu) (Gibson assembly) je od svoje iznajdbe leta 2009 postala primarna metoda kloniranja, ki je široko sprejeta v molekularni biologiji. Gibsonova sestava omogoča molekularnim biologom, da »zlepijo« delčke DNK skupaj tako, da na kratko stopijo njihove konce, da se ujemajoče sekvence lahko zapečatijo v eno samo molekulo. Ena glavnih privlačnosti Gibsonove sestave je njegova preprostost: vse se dogaja v eni epruveti pri eni temperaturi. Te omejitve seveda ustvarjajo prostor za izboljšave. Poleg tega je po zaslugi naslednjih lastnosti ta reakcija nadvse primerna za ocenjevanje sposobnosti modelov umetne inteligence za izboljšanje tehnik v mokrem laboratoriju:
- Je dobro opredeljena s kontroliranimi komponentami, za razliko od sistema, ki temelji na celicah
- Ima jasno funkcijo optimizacije: transformabilna cirkularizirana DNK, narejena iz fiksne količine linearnih DNK vnosov
- Razmeroma hitri eksperimentalni cikli (1–2 dni)
- Visokodimenzionalni oblikovalski prostor, ki zahteva izboljšanje mehanicističnega razmišljanja in sklepanja: optimalni pufri, reagenti in temperature so vsi medsebojno odvisni.
Kot izhodišče za optimizacijo smo uporabili HiFi assembly(odpre se v novem oknu), lastniški encimski sistem, ki ga je razvilo podjetje New England Biolabs in temelji na Gibsonovi sestavi. Raziskovali smo, ali bi lahko umetna inteligenca inovirala in se učila iz eksperimentalnih povratnih informacij po odstranitvi omejitev enega koraka in izotermnosti ter tako prepoznala izboljšave protokola v takšnem scenariju.
Natančneje, izvedli smo dvodelno kloniranje z uporabo gena za zeleni fluorescentni protein (GFP) in široko uporabljanega plazmida pUC19, standardnega »DNK-vozila«, ki se uporablja za prenos genov v bakterije, da se lahko razmnožijo. Cilj je bil povečati število uspešnih kolonij.
Optimizirali smo reakcijo kloniranja z uvedbo evolucijskega okvira za ponovitve izvajanja (iteracije) predlogov, kar modelu omogoča, da se sproti uči iz svojih preteklih eksperimentov. V vsakem krogu je GPT‑5 predlagal serijo 8–10 različnih reakcij, pri čemer so bile reakcije, ki so zahtevale posebne reagente, ki jih laboratorij ni imel na zalogi, prestavljene v kasnejše kroge. Znanstveniki so nato izvedli reakcije in izmerili število kolonij glede na osnovno Gibsonovo sestavo HiFi v začetnem pregledu. Najkoristnejši podatki iz prejšnjega kroga so bili nato vneseni v naslednji krog. Pomembno je, da je bilo oblikovanje pozivov standardizirano in brez človeškega vnosa, razen pojasnjevalnih vprašanj, kar nam omogoča, da nove mehanicistične vpoglede neposredno pripišemo umetni inteligenci in ne človeškemu vodenju.
Znova smo testirali osem najboljših reakcij iz celotne serije optimizacij z uporabo širšega razpona razredčitev DNK in ugotovili, da so mnoge pokazale manjše učinke kot pri začetnem pregledu; na koncu je bila najmočnejša potrjena kandidatka reakcija iz petega kroga, pri kateri se ponovila njena prvotna uspešnost. Mnoge visoko uspešne reakcije so se uvrstile v ligazno-polirno družino, ki se zdi še posebej občutljiva na majhne variacije v stanju kompetentnih celic in/ali ravnanju z DNA po reakciji. Ker so te reakcije uporabile kratek HiFi-korak, predvidevamo, da mnogi produkti verjetno vstopijo v E. coli z zatesnjenim le enim spojem, medtem ko je drugi držan s prileganjem, pri čemer je reševanje prepuščeno celičnim popravljalnim potem. To ustvarja visoko varianco in navdušujočo dinamiko: tudi če večina različic te reakcije večinoma ne preseže pričakovanj, lahko že en sam izrazito odstopajoč primer družino popelje v naslednje kroge.
Medtem ko smo se osredotočili na optimizacijo reakcije kloniranja skozi več krogov zaradi njene mehanistične kompleksnosti, smo vzporedno optimizirali postopek transformacije z uporabo enega samega kroga »na mah«, kjer je model predlagal številne neodvisne spremembe, mi pa smo izbrali najučinkovitejšo reakcijo.
Začetni pregledi optimizacije dvofaznega klonirnega postopka: encimska sestava in transformacija. (Levo) Iterativna optimizacija encimske sestave v petih krogih (skupaj 44 reakcij). Začenši z osnovno sestavo HiFi, je model GPT‑5 predlagal 8–10 različic protokola sestavljanja na krog; podatki o najuspešnejših rezultatih so bili vključeni v naslednje pozive. V vsakem krogu prikažemo najuspešnejšo reakcijo do tistega trenutka (vključno s prejšnjimi krogi). (Desno) Enkratna optimizacija pogojev transformacije, kjer se preizkuša 13 različnih protokolov. Za oba optimizacijska pregleda podatki predstavljajo posamezne meritve (n=1) na pogoj; ponovljena validacija je bila izvedena ločeno za najboljše kandidate.
Z uporabo standardiziranih pozivov brez človeškega vnosa je model GPT‑5 izboljšal celovito učinkovitost kloniranja za 79-krat, kar je bilo potrjeno v eksperimentalnih ponovitvah.
Pomembno je, da je model predlagal nov encimski postopek, ki ga je model poimenoval RecA-podprta združitev in dokončanje HiFi (RAPF-HiFi), ki v reakcijo dodaja dva nova proteina: rekombinazo RecA iz E. coli in enoverižni DNK-vezavni protein gena 32 iz faga T4 (gp32). Poleg tega je model namerno spremenil temperaturo in čas inkubacije ter čas dodajanja encimov: predlagal je dodajanje RecA in gp32 po začetni HiFi-reakciji pri 50 °C, da bi ta proteina delovala pri 37 °C, nato pa se vrnil na 50 °C za dokončanje sestavljanja. Skupaj so te nove spremembe povečale učinkovitost za več kot 2,5-krat. Treba je opozoriti, da to predstavlja začetno zmogljivost brez iterativne optimizacije reakcijskih pogojev in časovnega usklajevanja.
Na področju transformacije se je najučinkovitejša sprememba izkazala za nepričakovano preprosto: peletiranje celic (centrifugiranje, da se zberejo na dnu epruvete), odstranitev polovice dobavljene količine in ponovno suspendiranje celic pred dodajanjem DNK, vse pri 4 °C. Čeprav se visoko učinkovite kemično kompetentne celice običajno štejejo za krhke, so celice dobro prenašale koncentracijo, povečani molekularni trki pa so znatno povečali učinkovitost transformacije (več kot 30-krat pri končni validaciji).
T5 eksonukleaza ustvari 3′-previske, ki jih gp32 stabilizira z zaviranjem sekundarne strukture. RecA nato vdre iz 3′-koncev, izpodrine gp32 in spodbuja iskanje homologije ter prileganje. Segrevanje pri 50 °C odstrani oba proteina, kar omogoča zapolnitev vrzeli s polimerazo in izvedbo ligacije.
Gibsonova sestava deluje tako, da delčkom DNK zagotovi ustrezne »lepljive« konce, da se lahko najdejo in združijo. Reakcija uporablja dva različna encima (polimerazo in ligazo) za zatesnitev združenih delčkov. V reakciji RAPF-HiFi sta bila uvedena dva proteina, da bi izboljšala postopek ujemanja. Prvi, gp32, deluje kot glavnik, ki gladi in razpleta ohlapne konce DNK. Drugi, RecA, deluje kot vodnik, ki išče pravilnega partnerja za vsako verigo in združi ustrezne dele. Višja temperatura povzroči, da oba pomočnika odpadeta z DNK, kar običajnim Gibsonovim encimom omogoča, da dokončajo reakcijo.
V povzetku postavljamo hipotezo, da je izboljšana zmogljivost omogočena prek naslednjega mehanizma:
- Gp32 prekriva neprilegane enoverižne DNK-(ssDNA) repe in odstrani sekundarno strukturo
- RecA, ki ga običajno zavira struktura, vdre iz 3'-konca in izpodrine filament gp32
- RecA posreduje pri iskanju homologije ssDNA:ssDNA(odpre se v novem oknu), kar vodi do prileganja
- Ob povratku na 50 °C se izpodrinejo filamenti recA in gp32, kar polimerazi in ligazi omogoča, da dokončata reakcijo.
Da bi preverili, ali so novi encimi funkcionalni, in izključili možnost, da je izboljšanje uspešnosti zgolj posledica sprememb v toplotnih korakih ali pufrih, smo testirali uspešnost reakcije RAPF-HiFi brez RecA ter brez obeh, RecA in gp32. Uspešnost obeh reakcij se je zmanjšala v primerjavi z RAPF-HiFi, kar nakazuje, da sta oba proteina potrebna za mehanizem učinkovanja RAPF-HiFi.
Za preizkus osnovnega mehanizma ločimo dva nova encima v reakciji: RecA in gp32. Pokažemo, da kateri koli od teh sam po sebi zmanjša učinkovitost v primerjavi z izhodiščem HiFi. Skupaj presegata izhodišče z 2,6-kratno izboljšano učinkovitostjo. (Napake: SD pri n=3 neodvisnih poskusih)
Razvoj reakcije RAPF-HiFi nakazuje, da je model GPT‑5 sposoben kompleksnega, večdimenzionalnega razmišljanja:
- RecA je zaviran zaradi strukture DNK(odpre se v novem oknu) in pomembno je, da je model uvedel dve sinergijski spremembi hkrati: dodal RecA in ga dopolnil z gp32 za odstranitev sekundarne strukture DNK.
- Naravni partner E. coli RecA je E. coli enoverižni vezavni protein (SSB). SSB opravlja podobno vlogo kot gp32 med replikacijo, rekombinacijo in popravilom genoma. Vendar se E. coli SSB spontano ne odstrani dovolj hitro z DNK, da bi omogočil rast filamentu RecA, pri čemer kompleks RecFOR spodbuja nukleacijo RecA na filamentu SSB in vivo(odpre se v novem oknu). SSB se veže kot stabilen tetramer z izjemno počasnimi stopnjami disociacije(odpre se v novem oknu). Nasprotno pa je filament gp32 bolj dinamičen(odpre se v novem oknu), kar omogoča izpodriv RecA.
Po našem vedenju RecA in gp32 še nista bila funkcionalno souporabljena v metodah molekularne biologije. Kot pri mnogih novih tehnikah molekularne biologije so bile osnovne biokemijske aktivnosti že proučene, vendar njihova uporaba kot praktična in posplošljiva metoda predstavlja napredek.
Na primer, interakcija med RecA in gp32 je bila proučevana v mehanističnih in vitro reconstitucijskih testih: v študijah tvorbe D-zanke je bilo pokazano, da gp32(odpre se v novem oknu) lahko poveča aktivnost RecA. Gp32 je bil uporabljen v povezavi s svojim naravnim partnerjem T4 rekombinazo UvsX in faktorjem za nalaganje rekombinaze uvsY v amplifikaciji rekombinazne polimeraze (RPA)(odpre se v novem oknu). Čeprav specifikacija patenta RPA navaja(odpre se v novem oknu), da so bile učinkovite RPA-reakcije prikazane z uporabo E. coli RecA v heterolognem sistemu s kompromitiranim (tj. namensko ustvarjenim, ne naravnega tipa) proteinom gp32, se ta trditev pojavlja le kot obrobna opomba v nekaterih patentnih razkritjih in, po našem vedenju, ni podprta z objavljenimi podatki ali sprejeta kot robusten sistem RPA na osnovi RecA. Ena od metod kloniranja, imenovana SLiCE(odpre se v novem oknu), uporablja celoten celični izvleček iz E. coli, ki vsebuje λ Red rekombinacijski sistem, kjer lahko Red beta opravlja dvojno vlogo kot DNK-vezavni protein in kot rekombinaza (čeprav smo v našem pozivu izrecno prepovedali uporabo celičnih izvlečkov). V drugi aplikaciji sta Ferrin & Camerini-Otero(odpre se v novem oknu) uporabila samo RecA za selektivno zajemanje molekul DNK na podlagi ujemajočih se zaporedij. Ločeno je bil gp32 uporabljen kot dodatek(odpre se v novem oknu) v procesu ojačevanja DNK, imenovanem PCR, za zmanjšanje sekundarne strukture. Pokazalo se je, da NABSA amplifikacijo(odpre se v novem oknu) izboljšata tako RecA kot gp32, čeprav lahko vsak posebej izboljša reakcijo in nobena sinergija ni bila ugotovljena. Na splošno so poročila o izboljšavah osnovnih reakcij sestavljanja DNK v slogu Gibson redka, pri čemer je najpomembnejši primer toplotno stabilen protein, ki veže DNK (ET SSB), ki izboljša učinkovitost sestavljanja za približno 2,5-krat(odpre se v novem oknu).
Pri večini primerov uporabe ne pričakujemo, da bo RAPF-HiFi tekmoval s preprostostjo in robustnostjo kloniranja po metodi HiFi/Gibson. Vendar je pojav mehanicistično različne poti sestavljanja vreden pozornosti: GPT‑5 je prišel do rešitve, ki vključuje neznano kombinacijo rekombinacijskih proteinov in dinamike reakcij. Osnovni mehanizem se lahko izkaže za modularnega, saj zagotavlja komponente, ki jih je mogoče ponovno uporabiti ali preurediti v drugih molekularnih delovnih procesih. Prav tako nadaljujemo z raziščevanjem izboljšav za RAPF-HiFi. Temperature reakcij in trajanje korakov je mogoče prilagoditi za uravnoteženje aktivnosti RecA in gp32 proti prekomerni prebavi eksonukleaze, količine obeh proteinov pa je še treba optimizirati. Model GPT‑5 je prav tako predlagal hiperaktivno različico RecA, ki jo trenutno prečiščujemo.
V zvezi s transformacijskim protokolom so uspešni pogoji optimizacije zajemali vrsto aditivov in toplotnih odklonov, namenjenih izboljšanju učinkovitosti toplotnega šoka komercialnih 10-beta kompetentnih celic(odpre se v novem oknu). Od 13 enkratnih transformacij, ki jih je generirala UI in so bile testirane, je bila najučinkovitejša modifikacija Transformacija 7 (T7), ki je peletirala celice, odstranila polovico dobavljene količine in ponovno suspendirala celice pred dodajanjem DNK, vse pri 4 °C. Visoko učinkovite kemično kompetentne celice se običajno štejejo za krhke, zato se takšnim postopkom ravnanja na splošno izogibamo. Kljub temu so celice dobro prenašale koncentracijo. Kombinirani učinki povečane izpostavljenosti DNK na celico in manj zaviralnega pufra, kar je vodilo do ostrejšega toplotnega šoka, so povzročili znatno povečanje učinkovitosti transformacije (več kot 30-krat).
Ta protokol transformacije je nov, čeprav se je že poročalo o konceptualno podobnem pristopu(odpre se v novem oknu), kjer so celice koncentrirane v zgodnejši fazi. Pomembno je, da je metoda, ki jo je tukaj razvil model GPT‑5, združljiva s komercialno dostopnimi kemično kompetentnimi celicami, kar odpravlja potrebo po lastni pripravi celic, hkrati pa presega poročane izboljšave v učinkovitosti podobnega pristopa na primerljivih celičnih sevih.
Za povečanje zmogljivosti tega eksperimentalnega modela sta družbi Robot on Rails in Red Queen Bio sodelovala pri izgradnji robotskega sistema, ki sprejme protokol kloniranja v naravnem jeziku in ga izvede v mokrem laboratoriju.
Sistem združuje tri komponente: 1) veliki jezikovni model (LLM) kot vmesnik med človekom in robotom, ki pretvarja običajno angleščino v dejanja robota; 2) vizualni sistem, ki v realnem času prepoznava in lokalizira laboratorijsko opremo; in 3) načrtovalec robotskih poti, ki določa, kako varno in natančno izvesti vsako dejanje. Rezultat je prilagodljiv in splošno uporaben laboratorijski robot, ki je bil dodatno optimiziran za različice Gibsonovega klonirnega protokola.
Preverili smo, ali lahko avtonomni robot izvede celoten klonirni eksperiment z izvajanjem dveh protokolov hkrati: standardne HiFi-metode in R8, najbolje delujočega protokola, ki ga je UI spremenila v prvem krogu optimizacije.
Primerjali smo delo robota z eksperimenti, ki so jih izvedli ljudje pri vsakem koraku. Robot je uspešno izvedel proces transformacije, ki je zahteval različne fizične operacije: prenos in mešanje tekočin, premikanje vzorčnih cevk, nadzorovano segrevanje celic in nanašanje celic na gojiščne plošče. Ob neposredni primerjavi s transformacijami, ki so jih izvedli ljudje, je robot ustvaril podatke podobne kakovosti z enakovrednimi izboljšavami glede na osnovno raven, kar kaže na zgodnji potencial za avtomatizacijo in pospeševanje optimizacije bioloških poskusov.
Čeprav so bili večkratniki sprememb med robotskimi in človeškimi eksperimenti podobni, so bila absolutna števila kolonij iz robota približno desetkrat nižja kot pri ročnem izvajanju, kar kaže na področja za izboljšave, kot so natančnost ravnanja s tekočinami, umerjanje uravnavanja temperature in ponavljanje nians ročnih tehnik ravnanja s celicami.
Tako standardna metoda HiFi (osnovna) kot izboljšana metoda R8 sta bili izvedeni s strani človeških raziskovalcev in avtonomnega robota, pri čemer so bile stopnje učinkovitosti transformacije normalizirane glede na ustrezne osnovne kontrole HiFi (nastavljene na 1,0). Človeško izvedena metoda R8 je pokazala 2,39-kratno izboljšanje; robotsko izvedena metoda R8 je dosegela 2,13-kratno izboljšanje (89 % človeške zmogljivosti), kar kaže na primerljivo razvrstitev protokolov kljub nižjim absolutnim rezultatom.
Verjamemo, da ti poskusi ponujajo bežen vpogled v to, kako bo videti znanost prihodnosti, pospešena z umetno inteligenco: modeli, ki se nenehno učijo in sodelujejo z resničnim svetom. Čeprav so naši poskusi izključili človeško posredovanje, da bi merili zgolj sposobnosti modela, smo še posebej navdušeni nad tem, da UI pomaga človeškim znanstvenikom pri oblikovanju poskusov in prispeva k raziskovalnim prebojem.
Medtem ko si prizadevamo pospešiti znanstveni napredek na varen in odgovoren način, si prav tako prizadevamo oceniti in zmanjšati tveganja, zlasti tista, povezana z biološko varnostjo. Ti rezultati vrednotenj kažejo, da modeli znajo razmišljati v mokrem laboratoriju v smislu izboljšanja protokolov in lahko vplivajo na biološko varnost, kot je opisano v našem Okviru pripravljenosti(odpre se v novem oknu). Zavezani smo izgradnji potrebnih in prefinjenih varovalnih mehanizmov na ravni modela in sistema, da zmanjšamo ta tveganja, ter razvoju vrednotenj za spremljanje trenutnih ravni.
