GPT‑5 సెల్-ఫ్రీ ప్రోటీన్ సంశ్లేషణ వ్యయాన్ని తగ్గిస్తుంది
Ginkgo Bioworksతో కలిసి పని చేస్తూ, మేం AI ఆధారిత స్వయంప్రతిపత్తి ల్యాబ్ను రూపొందించాం మరియు ప్రోటీన్ ఉత్పత్తి ఖర్చులో 40% తగ్గింపు సాధించాం.
గణితం మరియు భౌతికశాస్త్రం వంటి రంగాల్లో, భౌతిక ప్రపంచాన్ని తాకకుండానే ఆలోచనలను తరచుగా మూల్యాంకనం చేయగల చోట, AI నుంచి వేగవంతమైన పురోగతి మేం చూశాం. బయాలజీ వేరుగా ఉంటుంది. పురోగతి ప్రయోగశాలలో జరుగుతుంది, అక్కడ శాస్త్రవేత్తలు సమయం మరియు డబ్బు అవసరమయ్యే ప్రయోగాలను నిర్వహిస్తారు.
అది మారడం ప్రారంభమైంది. అత్యాధునిక మోడల్లు ఇప్పుడు ల్యాబ్ ఆటోమేషన్కు నేరుగా కనెక్ట్ కాగలవు, ప్రయోగాలను ప్రతిపాదించగలవు, వాటిని పెద్ద స్థాయిలో నడపగలవు, ఫలితాల నుంచి నేర్చుకోగలవు, మరియు తర్వాత ఏమి చేయాలనేది నిర్ణయించగలవు. జీవ శాస్త్రంలో చాలా భాగంలో, ప్రతిబంధకం పునరావృతిలో ఉంది, ఆ పరిమితిని తొలగించడానికి స్వయంప్రతిపత్తి ల్యాబ్లు రూపొందించబడ్డాయి.
గత పరిశోధనలో, మేం GPT‑5 వెట్ ల్యాబ్ ప్రోటోకాల్లు మెరుగుపరచగలదని క్లోజ్డ్-లూప్ ప్రయోగాల ద్వారా చూపించాం. ఇక్కడ, అదే విధానం ప్రోటీన్ ఉత్పత్తి ఖర్చును తగ్గించగలదని మేం చూపిస్తున్నాం.
మేం Ginkgo Bioworks(కొత్త విండోలో తెరుచుకుంటుంది) తో కలిసి GPT‑5ను క్లౌడ్ లేబరేటరీకి అనుసంధానించాం—ఇది సాఫ్ట్వేర్ ద్వారా దూరంగా నిర్వహించే ఆటోమేటెడ్ వెట్ ల్యాబ్, అక్కడ రోబోట్లు ప్రయోగాలను నిర్వహించి డేటాను తిరిగి పంపుతాయి— ఆ ల్యాబ్ ఇన్ ద లూప్ సెటప్ను విస్తృతంగా ఉపయోగించే జీవ ప్రక్రియ: సెల్-ఫ్రీ ప్రోటీన్ సంశ్లేషణ (CFPS) ఆప్టిమైజ్ చేయడానికి ఉపయోగించాం. ఆరు రౌండ్ల క్లోజ్డ్-లూప్ ప్రయోగాలలో, సిస్టమ్ 580 ఆటోమేటెడ్ ప్లేట్లలో 36,000 కంటే ఎక్కువ ప్రత్యేక CFPS రియాక్షన్ కాంపోజిషన్లను పరీక్షించింది. కంప్యూటర్, వెబ్ బ్రౌజర్, మరియు సంబంధిత పత్రాలకు యాక్సెస్ అందించిన తర్వాత, GPT‑5 తక్కువ ఖర్చుతో కూడిన CFPSలో కొత్త స్థాయి స్థాపించడానికి మూడు రౌండ్ల ప్రయోగాలు చేసింది; ప్రోటీన్ ఉత్పత్తి ఖర్చులో 40% తగ్గింపు (కారకాల ఖర్చులో 57% మెరుగుదల) సాధించింది, ఇందులో స్వయంప్రతిపత్తి ల్యాబ్లలో సాధారణంగా కనిపించే ప్రతిచర్య పరిస్థితులకు మరింత దృఢంగా ఉండే కొత్త ప్రతిచర్యా కూర్పులు ఉన్నాయి.
సెల్-ఫ్రీ ప్రోటీన్ సంశ్లేషణ (CFPS) జీవ కణాలను పెంచకుండా ప్రోటీన్లను తయారు చేసే పద్ధతి. DNAని కణాల్లో పెట్టి అవి ప్రోటీన్ ఉత్పత్తి చేసే వరకు వేచిచూడటానికి బదులుగా, CFPS నియంత్రిత మిశ్రమంలో ప్రోటీన్ తయారీ యంత్రాంగాన్ని రన్ చేస్తుంది శాస్త్రవేత్తలు అనేక ప్రయోగాలను త్వరగా అమలు చేసి, అదే రోజు ఫలితాలను లెక్కించగలరు కాబట్టి ఇది వేగవంతమైన నమూనా తయారీ మరియు పరీక్షలకు ఆచరణాత్మక సాధనంగా మారుతుంది.
ప్రోటీన్లు ఆధునిక జీవశాస్త్రం అందించే ముఖ్యమైన అంశాలలో ఒకటి. చాలా ముఖ్యమైన మందులు ప్రోటీన్ల ఆధారంగా ఉంటాయి. అనేక డయాగ్నస్టిక్స్ మరియు రీసెర్చ్ అస్సేలు ప్రోటీన్లపై ఆధారపడతాయి. పారిశ్రామిక పరిసరాల్లో, ప్రోటీన్లు ఎంజైమ్లుగా పనిచేసి రసాయనిక ప్రక్రియలను మరింత శుభ్రంగా మరియు సమర్థవంతంగా చేస్తాయి. మీ లాండ్రీ డిటర్జెంట్లో కూడా ప్రోటీన్లు ఉంటాయి. ప్రోటీన్ ఉత్పత్తి వేగంగా మరియు తక్కువ ఖర్చుతో మారినప్పుడు, శాస్త్రవేత్తలు సాధారణంగా మరిన్ని ఆలోచనలను త్వరగా పరీక్షించగలరు, ప్రారంభ పరిశోధనను ప్రజలు రోజూ ఉపయోగించగలిగే దానిగా మార్చడంలో ఖర్చు తగ్గించగలరు.
ఆ రకమైన పునరావృతానికి CFPS ఇప్పటికే ఉపయోగకరంగా ఉంది. అడ్డంకి ఏమిటంటే, దానిని ఆప్టిమైజ్ చేయడం గమ్మత్తైనది మరియు విస్త్రృతి పరంగా ఖరీదైనది.
సెల్-ఫ్రీ ప్రోటీన్ సంశ్లేషణకు సంక్లిష్టంగా ఇంటరాక్ట్ చేసే పదార్థాలు అవసరం: తయారు చేయాల్సిన ప్రోటీన్ను ఎన్కోడ్ చేసే DNA టెంప్లెట్, సెల్ లైసేట్ (సెల్ల లోపల ఉన్న సెల్యులార్ యంత్రాంగం “సూప్”), మరియు ఎనర్జీ మూలాలు నుండి లవణాల వరకు విస్తరించే అనేక బయోకెమికల్ భాగాలు. మొత్తం వ్యవస్థ గురించి తర్కించడం చాలా కష్టం, అనేక(కొత్త విండోలో తెరుచుకుంటుంది) చాలా(కొత్త విండోలో తెరుచుకుంటుంది) అధ్యయనాలు(కొత్త విండోలో తెరుచుకుంటుంది) ప్రోటీన్ ఉత్పత్తి ఖర్చును తగ్గించడానికి వివిధ రకాల మెషిన్ లెర్నింగ్ను ఉపయోగించాయి.
ప్రామాణిక సెల్-ఫ్రీ ప్రోటీన్ సంశ్లేషణ (CFPS) ఫార్మ్యులేషన్లు మరియు వాణిజ్య కిట్లు తరచుగా మానవ-వేగ పనికి అనుగుణంగా ధర నిర్ణయించబడతాయి. మానవ టీమ్లు డజన్లను రియాక్షన్లను నడిపే సమయానికి, స్వయంప్రతిపత్తి ల్యాబ్లు వేలాది రియాక్షన్లను నిర్వహించగలవు. ఆ స్థాయిలో, కారకాల ఖర్చు పరిమితి కారకంగా మారుతుంది.
CFPSను కేవలం అంతర్దృష్టి ఆధారంగా ఆప్టిమైజ్ చేయడం కష్టం. ఇది అనేక ఇంటరాక్ట్ అయ్యే కంపోనెంట్ల మిశ్రమం. చిన్న మార్పులు ప్రభావం చూపవచ్చు, కానీ ఆ ప్రభావం ఏ దిశలో ఉంటుందో ఎల్లప్పుడూ స్పష్టంగా ఉండదు, మరియు చాలా ప్రయోగాలు చేయకుండానే ఉత్తమ కలయికలను కనుగొనడం కష్టం. గత విధానాలు ఖర్చులను తగ్గించాయి, అయితే స్థలాన్ని పూర్తిగా అన్వేషించడం శ్రమాధారితం కావడం వల్ల పురోగతి సాధారణంగా క్రమంగా ఉంటుంది.
సెల్-ఫ్రీ ప్రోటీన్ సంశ్లేషణ (CFPS) ఆప్టిమైజేషన్ కోసం, మేము GPT‑5ని Ginkgo Bioworks క్లౌడ్ లేబబొరేటరీతో జతచేసి క్లోజ్డ్-లూప్ స్వయంప్రతిపత్తి వ్యవస్థను రూపొందించాం.
GPT‑5 ప్రయోగాల సమూహాలను రూపొందించింది. ల్యాబ్ వాటిని అమలు చేసింది. ఫలితాలను మోడల్కు తిరిగి అందించారు. మోడల్ ఆ డేటాను ఉపయోగించి తదుపరి రౌండ్ను ప్రతిపాదించింది. మేము ఆ చక్రాన్ని ఆరు సార్లు పునరావృతం చేశాము.
GPT‑5 ప్రామాణిక 384-వెల్ ప్లేట్ ఫార్మెట్లో ప్రయోగాల బ్యాచ్లను రూపొందించి, వాటిని Ginkgo Bioworks క్లౌడ్ లేబరేటరీలో నిర్వహించింది. ప్రయోగాలు పూర్తయ్యాక, క్లౌడ్ లేబరేటరీ డేటాను తిరిగి GPT‑5కి పంపింది, అక్కడ మోడల్ ఫలితాలను విశ్లేషించి, కొత్త హైపోతీసిస్లను రూపొందించి, తరువాత రౌండ్ ప్రయోగాలను రూపొందించింది.
స్వయంప్రతిపత్తి ల్యాబ్ చేయగలిగే పనుల పరిమితుల్లో లూప్ను ఉంచడానికి, ఏ ప్రయోగం ప్రారంభం కాకముందే మేం కఠినమైన ప్రోగ్రామాటిక్ ధృవీకరణ జోడించాం. ఆ వాలిడేషన్ AI-డిజైన్ చేసిన ప్రయోగాలు ఆటోమేషన్ ప్లాట్ఫామ్పై భౌతికంగా అమలు చేయగలవని నిర్ధారించింది. టెక్స్ట్లో నమ్మదగినట్లుగా కనిపించినా, రోబోటిక్ వర్క్ఫ్లోలో అమలు చేయలేని “పేపర్ ప్రయోగాలను” అడ్డుకుంది.
మొత్తం రన్లో, సిస్టమ్ 580 ఆటోమేటెడ్ ప్లేట్ల్లో 36,000 కంటే ఎక్కువ CFPS ప్రతిచర్యలను అమలు చేసింది. ఈ పరిమాణం ముఖ్యం ఎందుకంటే ఇది నమూనాలు ఉద్భవించడానికి అనుమతిస్తుంది. జీవశాస్త్రంలో, ఒక్కో ప్రయోగం అశ్రద్ధగా ఉంటుంది. థ్రూపుట్ మరియు ఇటరేషన్లు రాండమ్ శబ్దం నుండి సంకేతాన్ని వేరు చేయడానికి మీరు ఉపయోగించే మార్గాలు. GPT‑5కు సంబంధిత పేపర్ మరియు టూల్స్కు యాక్సెస్ లభించిన తర్వాత, కొత్త అత్యాధునిక స్థాయిని నెలకొల్పడానికి మూడు రౌండ్ల ప్రయోగాలు మరియు రెండు నెలలు పట్టాయి: ఇంతకుముదు అత్యుత్తమ బేస్లైన్(కొత్త విండోలో తెరుచుకుంటుంది)తో పోలిస్తే ప్రోటీన్ ఉత్పత్తి ఖర్చు 40% తక్కువగా ఉంది.
Ginkgo Bioworks’ రీకాన్ఫిగర్ చేయగల ఆటోమేషన్ కార్ట్లు. క్రెడిట్: Ginkgo Bioworks
హై-థ్రూపుట్ ఆటోమేషన్ వాస్తవ పరిస్థితుల్లో కూడా నిలబడగల, కలిసి బాగా పనిచేసే కలయికలను గుర్తించడం వల్ల మెరుగుదల ఉన్నట్లుగా మేం కనుగొన్నాం.
ఈ కాన్ఫిగరేషన్లో మానవులు ఇంతకుముందు పరీక్షించని తక్కువ ఖర్చు రియాక్షన్ కాంపోజిషన్లను GPT‑5 గుర్తించిందని మేం కనుగొన్నాం. సెల్-ఫ్రీ ప్రోటీన్ సంశ్లేషణ (CFPS) అనేక సంవత్సరాలుగా పరిశీలించబడింది, అయితే సాధ్యమైన మిశ్రమాల విస్తీర్ణం ఇంకా పెద్దదిగానే ఉంది. మీరు వేలాది కాంబినేషన్లను త్వరగా ప్రతిపాదించి అమలు చేయగలిగితే, మాన్యువల్ వర్క్ఫ్లోతో సులభంగా మిస్ అయ్యే పనికొచ్చే ప్రాంతాలను కనుగొనవచ్చు.
మేం హై-థ్రూపుట్, ప్లేట్-ఆధారిత ప్రయోగాలు తరచుగా మాన్యువల్, బెంచ్-టాప్ ప్రయోగాల కంటే భిన్నంగా ఉంటాయని కూడా కనుగొన్నాం. హై-థ్రూపుట్ రియాక్షన్ ఫార్మాట్లలో ఆక్సిజనేషన్ స్థాయి తక్కువగా ఉండవచ్చు. మిక్సింగ్ మరియు జ్యామితి వేర్వేరు కావచ్చు. చాలా CFPS ప్రతిచర్యలు మైక్రోటైటర్ ప్లేట్ల కంటే టెస్ట్ ట్యూబ్లలో ఎక్కువ ప్రోటీన్ను ఉత్పత్తి చేస్తాయి, ఎందుకంటే పెద్ద స్థాయిలు సాధారణంగా ఎక్కువ ఆక్సిజన్ లభ్యత మరియు మెరుగైన మిక్సింగ్ను అందిస్తాయి. వాస్తవానికి, తక్కువ వాల్యూమ్లో ప్లేట్-ఆధారిత రియాక్షన్ల కోసం, GPT‑5 డేటా విశ్లేషణ కోసం కంప్యూటర్ యాక్సెస్ మరియు సంబంధిత పేపర్ల కోసం వెబ్ బ్రౌజర్ యాక్సెస్ పొందిన వెంటనే, ముందున్న అత్యుత్తమాన్ని మించిన అనేక రియాక్షన్లను ప్రతిపాదించింది. మొత్తంగా, GPT‑5 అనేక రియాజెంట్ కలయికలను ప్రతిపాదించింది, ఇవి హై-థ్రూపుట్ పరిమితుల కింద బాగా పనిచేశాయి. ఆటోమేటెడ్ ల్యాబ్ సెట్టింగ్స్లో సాధారణంగా కనిపించే తక్కువ-ఆక్సిజన్ పరిస్థితుల్లో మరింత బలంగా ఉండే అనేక కలయికలు కూడా ఉన్నాయి.
అదనంగా, బఫరింగ్, శక్తి పునరుత్పత్తి భాగాలు, మరియు పాలియామైన్స్లో చిన్న మార్పులు వాటి ఖర్చుతో పోలిస్తే ఎక్కువ ప్రభావాన్ని చూపాయని మేం గుర్తించాం. ఇవి ఎప్పుడూ ప్రజలు ముందుగా ఆశ్రయించే మొదటి పరామితులు కావు, కానీ అధిక థ్రూపుట్ వద్ద, ఇవి నేపథ్య ఊహాగానాలుగా కాకుండా పరీక్షించదగిన హైపోథెసిస్లుగా మారుతాయి.
చివరగా, ఖర్చు నిర్మాణం ఏది ముఖ్యమో నిర్ణయించింది. CFPSలో, ఖర్చులు ఇప్పుడు లైసేట్ మరియు DNA వల్ల ప్రధానంగా ప్రభావితమవుతున్నాయి. అంటే దిగుబడి అత్యధిక-లెవరేజ్ వ్యూహం. మీరు ఖరీదైన ఇన్పుట్ యొక్క ప్రతి యూనిట్కు ప్రోటీన్ అవుట్పుట్ను పెంచగలిగితే, ఇతరత్రా స్వల్ప పొదుపులను వెంబడించే ముందే ఖర్చుపై మీరు గణనీయమైన పురోగతి సాధిస్తారు.
ఆరు రౌండ్ల స్వయంప్రతిపత్తి ప్రయోగాల ద్వారా, వ్యవస్థ సెల్-ఫ్రీ ప్రోటీన్ సంశ్లేషణను క్రమంగా మెరుగుపరచింది, ఖర్చులను తగ్గిస్తూ ప్రోటీన్ దిగుబడిని పెంచింది. ప్రతి రౌండ్కు రియాక్షన్ ఖర్చు మరియు ప్రోటీన్ టైటర్ మధ్య ఫలితాలు చూపించబడతాయి, ఉత్తమ ట్రేడ్ఆఫ్లు ఒక అత్యాధునికను ఏర్పరుస్తాయి. ప్రతి రౌండ్లో సాధించిన ప్రతి గ్రామ్కు అత్యల్ప ఖర్చు పెద్ద పాయింట్లను సూచిస్తాయి, స్టార్/డాటెడ్ సూచన 384-వెల్ ప్లేట్ల్లో గత అత్యాధునిక బెంచ్మార్క్ను సూచిస్తుంది (ఓల్సెన్ మరియు ఇతరులు, 2025) తరువాతి రౌండ్లను మరింత నిశితంగా పరిశీలిస్తే తుది లాభాలు స్పష్టమవుతాయి, ప్రతి రౌండ్ సారాంశం ప్రతి గ్రామ్కు అయ్యే అత్యుత్తమ ఖర్చు కాలక్రమేణా తగ్గుతున్నట్లుగా చూపిస్తుంది.
ఈ ఫలితాలు ఒక ప్రోటీన్, sfGFP, ఒక సెల్-ఫ్రీ ప్రోటీన్ సంశ్లేషణ (CFPS) సిస్టమ్పై ప్రదర్శించబడ్డాయి. ఇతర ప్రోటీన్లు మరియు ఇతర CFPS సిస్టమ్లకు సాధారణీకరణ ఇంకా చూపించాల్సి ఉంది.
ఆక్సిజనేషన్ మరియు ప్రతిచర్య జ్యామితి దిగుబడులను బలంగా ప్రభావితం చేయగలవు, ఈ కారకాలు వివిధ స్థాయిల్లో మారవచ్చు. కొన్ని మెరుగుదలలు ఈ పరిస్థితులకు సున్నితంగా ఉండవచ్చు, ఆ సున్నితత్వాలను అర్థం చేసుకోవడం తర్వాతి దశలో భాగం.
ప్రోటోకాల్ మెరుగుదల మరియు కారకాల నిర్వహణ కోసం మానవ పర్యవేక్షణ అవసరం. సిస్టమ్ ప్రయోగాలను రూపకల్పన చేసి అర్థం చేసుకోగలదు, అయితే ప్రయోగశాల పని ఇంకా అనుభవం ఉన్న ఆపరేటర్లు అవసరమైన ఆచరణాత్మక వివరాలు నిర్వహించాలి.
మేం వేగవంతమైన పునరావృతం పురోగతిని సాధించగలిగే ఇతర జీవ శాస్త్ర వర్క్ఫ్లోలపై ల్యాబ్-ఇన్-ది-లూప్ ఆప్టిమైజేషన్ను వర్తింపజేయాలని యోచిస్తున్నాం. మేం స్వయంప్రతిపత్తి ల్యాబ్లను మోడల్స్కు పూరకంగా చూస్తున్నాం. మోడల్ డిజైన్లను రూపొందించగలవు, అయితే చివరికి బయాలజీకి ఇంకా పరీక్ష మరియు పునరావృతం అవసరం. జనరేషన్ మరియు ప్రయోగాల మధ్య లూప్ను పూర్తిచేయడం ద్వారా మీరు ఆశాజనకమైన ఆలోచనలను పనిచేసే ఫలితాలుగా మార్చగలరు.
శాస్త్రీయ పురోగతిని సురక్షితంగా మరియు బాధ్యతాయుతంగా వేగవంతం చేయడంపై పని చేస్తూనే, ముఖ్యంగా బయోసెక్యూరిటీకి సంబంధించిన రిస్క్లను అంచనా వేసి తగ్గించడానికీ మేము ప్రయత్నిస్తున్నాము. ఈ ఫలితాలు మోడళ్లు వెట్ ల్యాబ్లో రీజనింగ్ చేసి ప్రోటోకాల్లను మెరుగుపరచగలవని చూపిస్తున్నాయి, మరియు బయోసెక్యూరిటీకి సంబంధించిన ప్రభావాలు ఉండవచ్చు, వీటిని మా ప్రిపేర్డ్నెస్ ఫ్రేమ్వర్క్ ద్వారా మేము అంచనా వేసి తగ్గిస్తాము. ఈ రిస్క్లను తగ్గించేందుకు మోడల్ మరియు సిస్టమ్ స్థాయిలో అవసరమైన, సూక్ష్మమైన రక్షణలను నిర్మించడానికి, అలాగే ప్రస్తుత స్థాయిలను ట్రాక్ చేసే ఈవాల్యుయేషన్లను అభివృద్ధి చేయడానికి మేము కట్టుబడి ఉన్నాము.
ఈ పనికి వెనుక ఉన్న ఆటోమేటెడ్ క్లౌడ్ ల్యాబొరేటరీని డిజైన్ చేయడంలో, నడపడంలో, మరియు సపోర్ట్ చేయడంలో సహాయపడిన Ginkgo Bioworks మరియు జట్లకు మేం కృతజ్ఞత తెలియజేస్తున్నాం.
