GPT‑5 ลดต้นทุนการสังเคราะห์โปรตีนแบบไร้เซลล์
เราทำงานร่วมกับ Ginkgo Bioworks และพัฒนาห้องปฏิบัติการอัตโนมัติที่ใช้ AI พร้อมลดค่าใช้จ่ายในการผลิตโปรตีนได้ 40%
เราได้เห็น ความก้าวหน้าอย่างรวดเร็ว ของ AI ในสาขาต่างๆ เช่น คณิตศาสตร์และฟิสิกส์ ซึ่งแนวคิดสามารถประเมินได้ประเมินได้โดยไม่จำเป็นต้องทดลองในโลกจริง แต่การประเมินด้สนชีววิทยานั้นแตกต่างออกไป ความก้าวหน้าส่วนใหญ่เกิดในห้องแล็บ ที่นักวิทยาศาสตร์ทำการทดลองซึ่งใช้ทั้งเวลาและค่าใช้จ่าย
การเปลี่ยนแปลงเริ่มเกิดขึ้นจริงแล้ว ปัจจุบันโมเดลชั้นแนวหน้าสามารถเชื่อมกับระบบอัตโนมัติในงห้องแล็บ เสนอแผนการทดลอง ทำการทดลองในระดับใหญ่ เรียนรู้จากผลที่ได้ และตัดสินใจขั้นตอนถัดไปได้โดยตรง ในงานวิทยาศาสตร์ชีวภาพส่วนใหญ่ ข้อจำกัดสำคัญอยู่ที่การทำซ้ำ และเราสร้างห้องแล็บอัตโนมัติเพื่อขจัดข้อจำกัดนั้น
ในงานก่อนหน้านี้ เราแสดงให้เห็นว่า GPT‑5 สามารถ ปรับปรุงโปรโตคอลในห้องปฏิบัติการเปียก ผ่านการทดลองแบบวงจรปิด เราแสดงให้เห็นว่าแนวทางเดียวกันนี้สามารถลดต้นทุนการผลิตโปรตีนได้
เราได้ร่วมมือกับ Ginkgo Bioworks(เปิดในหน้าต่างใหม่) เพื่อเชื่อมต่อ GPT‑5 เข้ากับห้องปฏิบัติการคลาวด์ ซึ่งเป็นห้องปฏิบัติการเปียกอัตโนมัติที่ควบคุมจากระยะไกลผ่านซอฟต์แวร์ โดยหุ่นยนต์ทำการทดลองและส่งคืนข้อมูล และใช้การตั้งค่าแบบการบูรณาการห้องแล็บเข้ากับวงจรการทำงาน เพื่อปรับปรุงกระบวนการทางชีววิทยาที่ใช้อย่างแพร่หลายนั่นก็คือ การสังเคราะห์โปรตีนแบบไร้เซลล์ (CFPS) ตลอด 6 รอบของการทดลองแบบวงจรปิด ระบบได้ทดสอบองค์ประกอบปฏิกิริยา CFPS ที่ไม่ซ้ำกันมากกว่า 36,000 แบบ บนเพลตอัตโนมัติรวม 580 แผ่น หลังจากได้รับสิทธิ์เข้าถึงคอมพิวเตอร์ เว็บเบราว์เซอร์ และเอกสารที่เกี่ยวข้องแล้ว GPT‑5 ทำการทดลองเพียงแค่ 3 รอบก็สามารถตั้งมาตรฐานใหม่ของ CFPS ที่มีต้นทุนต่ำ โดยลดต้นทุนโปรตีนได้ 40% (และลดต้นทุนรีเอเจนต์ได้ 57%) รวมถึงค้นพบองค์ประกอบปฏิกิริยาใหม่ที่ทนต่อสภาพแวดล้อมของแล็บอัตโนมัติได้มากกว่าเดิม
การสังเคราะห์โปรตีนแบบไร้เซลล์ (CFPS) เป็นวิธีการสร้างโปรตีนโดยไม่ต้องเพาะเลี้ยงเซลล์ที่มีชีวิต CFPS ช่วยทำให้เครื่องจักรการสร้างโปรตีนทำงานในส่วนผสมที่ควบคุมได้ แทนที่จะใส่ DNA เข้าไปในเซลล์แล้วรอให้เซลล์ผลิตโปรตีน ด้วยเหตุนี้มันจึงเป็นเครื่องมือที่ใช้ได้จริงสำหรับการสร้างต้นแบบและการทดสอบอย่างรวดเร็ว เพราะนักวิทยาศาสตร์สามารถรันการทดลองจำนวนมากได้อย่างรวดเร็วและวัดผลได้ภายในวันเดียว
โปรตีนเป็นส่วนสำคัญในผลงานของชีววิทยาสมัยใหม่ ยาที่สำคัญหลายชนิดมีพื้นฐานจากโปรตีน การวินิจฉัยและการทดสอบในงานวิจัยจำนวนมากต้องอาศัยโปรตีน ในสภาพแวดล้อมอุตสาหกรรม โปรตีนทำหน้าที่เป็นเอนไซม์ที่ช่วยให้กระบวนการทางเคมีสะอาดและมีประสิทธิภาพมากขึ้น โปรตีนยังพบได้แม้กระทั่งในน้ำยาซักผ้าของคุณ เมื่อการผลิตโปรตีนทำได้เร็วขึ้นและมีต้นทุนถูกลง นักวิทยาศาสตร์ก็มักจะสามารถทดสอบแนวคิดได้มากขึ้นและเร็วขึ้น และลดต้นทุนในการเปลี่ยนงานวิจัยระยะแรกให้กลายเป็นสิ่งที่ผู้คนสามารถได้รับประโยชน์ในชีวิตประจำวัน
การสังเคราะห์โปรตีนแบบไร้เซลล์ (CFPS) มีประโยชน์สำหรับการทำซ้ำลักษณะนั้น ปัญหาคือการเพิ่มประสิทธิภาพทำได้ยากและค่าใช้จ่ายสูงในงานระดับใหญ่
การสังเคราะห์โปรตีนแบบไร้เซลล์ต้องใช้ส่วนประกอบที่ซับซ้อนและมีปฏิสัมพันธ์กัน ได้แก่ แม่แบบดีเอ็นเอที่เข้ารหัสโปรตีน ไลเซทของเซลล์ (ของเหลวที่มีเครื่องจักรชีวภาพจากภายในเซลล์) และสารชีวเคมีจำนวนมากตั้งแต่แหล่งพลังงานไปจนถึงเกลือ เป็นเรื่องยากมากที่จะให้เหตุผลเกี่ยวกับระบบโดยรวม และงานวิจัย(เปิดในหน้าต่างใหม่)จำนวนมาก(เปิดในหน้าต่างใหม่)ก่อนหน้านี้(เปิดในหน้าต่างใหม่)ได้ศึกษา การนำการเรียนรู้ของเครื่องประเภทต่างๆ มาใช้เพื่อลดต้นทุนการผลิตโปรตีน
สูตร CFPS และชุดเครื่องมือสำเร็จรูปเชิงพาณิชย์ที่ใช้กันทั่วไปมักตั้งราคาโดยอิงกับความเร็วของการทำงานของมนุษย์มากกว่าการทำงานแบบอัตโนมัติ ห้องแล็บอัตโนมัติสามารถทำปฏิกิริยาได้เป็นพันครั้งในเวลาที่ทีมมนุษย์ทำได้เพียงไม่กี่สิบครั้ง ในระดับขนาดนั้นต้นทุนของสารรีเอเจนต์จะกลายเป็นปัจจัยจำกัด
การเพิ่มประสิทธิภาพ CFPS โดยใช้ความรู้สึกหรือสัญชาตญาณเพียงอย่างเดียวทำได้ยาก มันเกิดจากส่วนต่างๆ หลายส่วนที่มีปฏิสัมพันธ์กันอย่างต่อเนื่อง การเปลี่ยนแปลงเล็กๆ อาจมีความสำคัญ แต่ผลลัพธ์ที่เกิดขึ้นไม่ได้ชัดเจนเสมอไป และการหาส่วนผสมที่ดีที่สุดทำได้ยากหากไม่ทำการทดลองจำนวนมาก วิธีที่ใช้มาก่อนหน้านี้ช่วยลดต้นทุนได้ แต่ความก้าวหน้าเดินช้าเพราะการสำรวจตัวเลือกทั้งหมดต้องใช้แรงงานมาก
เราได้จับคู่ GPT‑5 กับห้องปฏิบัติการบนคลาวด์ของ Ginkgo Bioworks เพื่อสร้างระบบอัตโนมัติแบบวงจรปิดสำหรับการเพิ่มประสิทธิภาพการสังเคราะห์โปรตีนแบบไร้เซลล์ (CFPS)
GPT‑5 ออกแบบการทดลองเป็นชุดๆ ห้องแล็บดำเนินการตามแผนการที่ออกแบบ ผลลัพธ์ถูกป้อนกลับเข้าไปในโมเดล โมเดลใช้ข้อมูลนั้นเพื่อเสนอรอบถัดไป เราทำรอบการทดลองนั้นซ้ำ 6 รอบ
GPT‑5 ออกแบบชุดการทดลองในรูปแบบเพลตมาตรฐาน 384 หลุม และดำเนินการบนห้องปฏิบัติการคลาวด์ของ Ginkgo Bioworks เมื่อการทดลองเสร็จสิ้น ห้องปฏิบัติการบนคลาวด์ได้ส่งข้อมูลกลับไปยัง GPT‑5 ซึ่งโมเดลได้วิเคราะห์ผลลัพธ์ สร้างสมมติฐานใหม่ และออกแบบการทดลองรอบถัดไป
เราเพิ่มการตรวจสอบโดยใช้โปรแกรมอย่างเข้มงวดก่อนรันการทดลอง เพื่อให้กระบวนการสอดคล้องกับสิ่งที่ห้องแล็บอัตโนมัติทำได้ การตรวจสอบนี้รับรองว่าการทดลองที่ AI ออกแบบสามารถทำได้จริงบนระบบอัตโนมัติ ระบบนี้ช่วยป้องกันให้ไม่เกิด “การทดลองบนกระดาษ” ที่ดูเป็นไปได้ในเอกสารแต่ไม่สามารถรันบนเวิร์กโฟลว์หุ่นยนต์จริงได้
ตลอดการรันทั้งหมด ระบบได้ดำเนินการปฏิกิริยา CFPS มากกว่า 36,000 รายการบนเพลตอัตโนมัติ 580 แผ่น มาตราส่วนนี้มีความสำคัญเพราะเป็นสิ่งที่ทำให้รูปแบบต่างๆ ปรากฏขึ้นได้ ในชีววิทยาการทดลองเพียงครั้งเดียวมักมีความคลาดเคลื่อนสูง การทดลองจำนวนมากและการทำซ้ำช่วยแยกผลลัพธ์ที่แท้จริงออกจากความไม่แน่นอนได้ เมื่อ GPT‑5 ได้เข้าถึงเอกสารและเครื่องมือที่เกี่ยวข้อง มันใช้เวลาสองเดือนและสามรอบการทดลองเพื่อสร้างมาตรฐานใหม่ โดยสามารถลดต้นทุนการผลิตโปรตีนลงได้ถึง 40% เมื่อเทียบกับ มาตรฐานก่อนหน้าที่ดีที่สุด(เปิดในหน้าต่างใหม่)
ระบบรถเข็นอัตโนมัติที่ยืดหยุ่นและปรับค่าได้ของ Ginkgo Bioworks เครดิต: Ginkgo Bioworks
เราพบว่าผลลัพธ์ดีขึ้นเกิดจากการหาชุดที่ทำงานร่วมกันได้อย่างลงตัว และยังทำงานได้จริงในระบบอัตโนมัติที่เดินงานจำนวนมาก
GPT‑5 สามารถระบุส่วนผสมปฏิกิริยาที่ประหยัดค่าใช้จ่าย ซึ่งมนุษย์ยังไม่เคยทดลองในรูปแบบนี้มาก่อน มีศึกษาการสังเคราะห์โปรตีนแบบไร้เซลล์ (CFPS) มาหลายปีแล้ว แต่ขอบเขตของส่วนผสมที่เป็นไปได้นั้นค่อนข้างกว้าง ถ้าคุณสำรวจและทดสอบชุดผสมจำนวนมากได้เร็ว คุณจะพบโซนที่ทำงานได้ดีซึ่งมักถูกมองข้ามในกระบวนการแบบแมนนวล
เราพบด้วยว่าการทดลองบนเพลตความเร็วสูงมักไม่เหมือนกับการทดลองแบบแมนนวลบนโต๊ะปฏิบัติการ ปฏิกิริยาที่มีอัตราการประมวลผลสูง มักมีออกซิเจนต่ำกว่ารูปแบบการทดลองทั่วไป การผสมและลักษณะเชิงเรขาคณิตอาจไม่เหมือนกัน ปฏิกิริยา CFPS ส่วนใหญ่ผลิตโปรตีนได้มากกว่าในหลอดทดลองเมื่อเทียบกับแผ่นไมโครไทเทอร์ เพราะสเกลใหญ่ให้ปริมาณออกซิเจนมากกว่าและการผสมดีกว่า สำหรับปฏิกิริยาบนแผ่นปริมาตรต่ำนั้น GPT‑5 สามารถเสนอปฏิกิริยาจำนวนมากที่ทำงานได้ดีกว่าผลลัพธ์ที่ดีที่สุดก่อนหน้านี้ทันทีหลังจากการใช้คอมพิวเตอร์เพื่อวิเคราะห์ข้อมูลและใช้เว็บเบราว์เซอร์เพื่อค้นหาเอกสารที่เกี่ยวข้อง โดยรวมแล้ว GPT‑5 เสนอชุดค่าผสมของรีเอเจนต์หลายชุดที่ทำงานได้ดีภายใต้ข้อจำกัดของอัตราการประมวลผลสูง รวมถึงหลายชุดที่มีความทนทานมากขึ้นในสภาวะออกซิเจนต่ำซึ่งพบได้บ่อยในห้องแล็บอัตโนมัติ
นอกจากนี้ เรายังพบว่าการปรับเปลี่ยนเล็กๆ ในบัฟเฟอร์ รวมถึงส่วนประกอบการสร้างพลังงานใหม่ และโพลิเอมีน มีผลมากเกินคาดเมื่อเทียบกับต้นทุน พารามิเตอร์เหล่านี้มักไม่ใช่ตัวเลือกแรกที่คนสนใจ แต่เมื่อทำงานแบบปริมาณสูง มันกลายเปลี่ยนเป็นสิ่งที่ทดสอบได้จริง ไมาใช่เป็นเพียงแค่สมมติฐานที่คนมองข้าม
สุดท้ายแล้วค่าใช้จ่ายก็เป็นตัวกำหนดว่าสิ่งใดมีความสำคัญ ใน CFPS ตอนนี้ต้นทุนส่วนใหญ่เกิดจากไลเซทและดีเอ็นเอ นั่นหมายความว่าการเพิ่มผลผลิตคือกลยุทธ์ที่ให้ผลคุ้มค่าที่สุด หากคุณสามารถเพิ่มผลผลิตโปรตีนต่อหน่วยของวัตถุดิบที่มีราคาแพง คุณก็สามารถลดต้นทุนได้อย่างชัดเจนก่อนที่จะไปปรับลดค่าใช้จ่ายเล็กน้อยในส่วนอื่น
หลังจากทดลองแบบอัตโนมัติ 6 รอบ ระบบสามารถพัฒนาการสังเคราะห์โปรตีนไร้เซลล์อย่างต่อเนื่อง ลดค่าใช้จ่ายและเพิ่มปริมาณโปรตีนที่ได้ ผลลัพธ์แสดงเป็นค่าใช้จ่ายต่อปฏิกิริยากับความเข้มข้นของโปรตีนในแต่ละรอบ โดยส่วนการแลกเปลี่ยนที่ดีที่สุดจะก่อให้เกิดเส้นขอบเขตระดับแนวหน้า จุดขนาดใหญ่แสดงถึงต้นทุนต่อกรัมต่ำที่สุดที่ทำได้ในแต่ละรอบ ส่วนสัญลักษณ์ดาวหรือจุดประแสดงถึงค่ามาตรฐานก่อนหน้าบนแผ่น 384 หลุม (Olsen และคณะ พศ. 2568) การตรวจสอบรอบหลังๆ อย่างละเอียดเผยให้เห็นผลลัพธ์สุดท้าย และสรุปรอบต่อรอบแสดงว่าต้นทุนต่อกรัมลดลงเรื่อยๆ
ผลลัพธ์เหล่านี้แสดงผลให้เห็นในโปรตีนเพียงชนิดเดียวนั้นก็คือ sfGFP และเห็นผลในระบบ CFPS เพียงระบบเดียว การนำไปใช้กับโปรตีนอื่นและระบบ CFPS อื่นยังต้องมีการพิสูจน์
การให้ออกซิเจนและรูปแบบปฏิกิริยาส่งผลต่อผลผลิตอย่างมาก และปัจจัยเหล่านี้สามารถเปลี่ยนแปลงตามขนาดการทดลอง การปรับปรุงบางอย่างอาจมีความไวต่อสภาวะเหล่านี้ และการเข้าใจเรื่องความไวนี้คือสิ่งที่ต้องทำต่อไป
การปรับปรุงขั้นตอนปฏิบัติการและการจัดการสารเคมียังต้องการการควบคุมของมนุษย์ ระบบสามารถออกแบบและตีความการทดลองได้ แต่การทำงานในห้องปฏิบัติการยังคงมีรายละเอียดเชิงปฏิบัติที่ต้องอาศัยคนที่มีประสบการณ์
เราวางแผนที่จะนำการเพิ่มประสิทธิภาพที่บูรณาการห้องแล็บเข้ากับวงจรการทำงานไปใช้กับเวิร์กโฟลว์ทางชีววิทยาอื่นๆ ที่การเพิ่มความเร็วรอบทดลองสามารถผลักดันความก้าวหน้าได้ เราเห็นว่าห้องแล็บอัตโนมัติช่วยเสริมการทำงานร่วมกับโมเดลได้อย่างลงตัว โมเดลช่วยออกแบบได้ แต่ชีววิทยายังคงต้องการการทดลองและการทำซ้ำ เมื่อเชื่อมการสร้างไอเดียเข้ากับการทดลองอย่างต่อเนื่อง คุณก็สามารถเปลี่ยนไอเดียที่มีศักยภาพให้เป็นผลลัพธ์ที่ทำงานได้จริง
ในขณะที่เรามุ่งมั่นเร่งความก้าวหน้าทางวิทยาศาสตร์อย่างปลอดภัยและมีความรับผิดชอบ เรายังให้ความสำคัญกับการประเมินและลดความเสี่ยงต่างๆ โดยเฉพาะอย่างยิ่งความเสี่ยงที่เกี่ยวข้องกับความมั่นคงทางชีวภาพ ผลลัพธ์เหล่านี้แสดงให้เห็นว่าโมเดลสามารถให้เหตุผลในห้องปฏิบัติการเปียกเพื่อปรับปรุงโปรโตคอล และอาจมีผลกระทบต่อความมั่นคงทางชีวภาพ ซึ่งเราประเมินและลดความเสี่ยงโดยใช้กรอบการเตรียมความพร้อมของเรา เรามุ่งมั่นที่จะสร้างมาตรการป้องกันที่จำเป็นและละเอียดอ่อนทั้งในระดับโมเดลและระดับระบบเพื่อลดความเสี่ยงเหล่านี้ พร้อมทั้งพัฒนาการประเมินผลเพื่อติดตามระดับความสามารถของเทคโนโลยีในปัจจุบันอย่างใกล้ชิด
เราขอขอบคุณพันธมิตรจาก Ginkgo Bioworks และทุกทีมที่ช่วยออกแบบ เดินระบบ และสนับสนุนแล็บอัตโนมัติบนคลาวด์ที่อยู่เบื้องหลังงานนี้
