Bilimsel ilerlemeyi hızlandırmak, yapay zekanın insanlığa sağlayabileceği en değerli katkılardan biridir. GPT‑5 ile birlikte bunun ilk işaretlerini görmeye başlıyoruz. Bu, yalnızca araştırmacıların bilimsel literatürde daha hızlı ilerlemesini sağlamakla sınırlı değil; aynı zamanda beklenmedik bağlantıları ortaya çıkarma, ispat stratejileri önerme ve uzmanların değerlendirip test edebileceği makul mekanizmalar geliştirme gibi yeni bilimsel akıl yürütme biçimlerini de destekliyor.
Bugüne kadarki ilerleme en belirgin biçimde matematik, teorik fizik ve teorik bilgisayar bilimi gibi alanlarda görüldü; bu alanlarda fikirler, fiziksel deneylere gerek kalmadan titiz biçimde doğrulanabiliyor. Biyoloji ise farklıdır; ilerlemelerin büyük çoğunluğu laboratuvarda yürütülen deneysel uygulamalara, yinelemeye ve ampirik doğrulamaya dayanır.
Bu tür ortamlarda ileri seviye modellerin nasıl davrandığını daha iyi anlamak için, bir biyogüvenlik girişimi olan Red Queen Bio ile birlikte, bir modelin ıslak laboratuvarda fikirleri nasıl önerdiğini, analiz ettiğini ve yineleyerek geliştirdiğini test eden bir değerlendirme çerçevesi oluşturduk. Basit bir moleküler biyoloji deney sistemi kurduk ve GPT‑5’ten bir moleküler klonlama protokolünü verimlilik açısından optimize etmesini istedik.
Birden fazla deney turu boyunca GPT‑5, klonlama verimliliğini 79 kat artıran yenilikçi bir mekanizma ortaya koydu. Klonlama, moleküler biyolojinin temel araçlarından biridir. Klonlama yöntemlerinin verimliliği; protein mühendisliği(yeni bir pencerede açılır), genetik taramalar(yeni bir pencerede açılır) ve organizma suşu mühendisliğinin(yeni bir pencerede açılır) merkezinde yer alan büyük ve karmaşık kütüphanelerin oluşturulması açısından kritik öneme sahiptir. Bu proje, yapay zekanın biyologlarla yan yana çalışarak araştırmaları nasıl hızlandırabileceğine dair bir ön izlenim sunuyor. Deneysel yöntemlerin iyileştirilmesi, insan araştırmacıların daha hızlı ilerlemesine, maliyetlerin düşürülmesine ve keşiflerin gerçek dünyada etki yaratacak sonuçlara dönüştürülmesine yardımcı olacaktır.
Biyolojik akıl yürütmedeki ilerlemelerin biyogüvenlik açısından sonuçları olabileceğinden, bu çalışmayı sıkı biçimde denetlenen bir ortamda yürüttük. Bu kapsamda zararsız bir deneysel sistem kullandık, görevin kapsamını sınırladık ve Preparedness Framework(yeni bir pencerede açılır)'ümüzde (Hazırlık Çerçevesi) belirtildiği üzere, biyogüvenlik risk değerlendirmelerimizi bilgilendirmek ve model ile sistem düzeyinde koruma önlemlerinin geliştirilmesine katkı sağlamak amacıyla model davranışlarını değerlendirdik.
Bu düzenekte GPT‑5, klonlama protokolü hakkında otonom biçimde akıl yürüttü, değişiklikler önerdi ve yeni deneylerden elde edilen verileri dahil ederek ek iyileştirmeler sundu. İnsan müdahalesi, yalnızca bilim insanlarının değiştirilen protokolü uygulaması ve deneysel verileri sisteme yüklemesiyle sınırlı kaldı.
Birden fazla tur boyunca GPT‑5, klonlama prosedürünü optimize ederek verimliliği 79 kattan fazla artırdı. Bu, sabit miktarlı bir girdi DNA'sı için temel protokole kıyasla 79 kat daha fazla, dizi doğrulaması yapılmış klon elde edildiği anlamına geliyor. En dikkat çekici nokta ise, yeni bir mekanizma oluşturan iki enzimi devreye sokması oldu: E. coli kaynaklı rekombinaz RecA ve faj T4 gen 32 tek iplikli DNA'ya bağlanan protein (gp32). Bu iki bileşen birlikte çalıştığında gp32, tek iplikli DNA'yı stabilize ederek ikincil yapıları ve dolanıklıkları giderir; RecA ise ipliklerin doğru biçimde eşleşmesini yönlendirir.
Başlangıç taraması ve ikincil deneyler, en iyi enzimatik protokolün RecA-Destekli Eşleştir-Tamamla Mekanizmasına Dayalı Yüksek Verimli Klonlama (RAPF) olduğunu ve en iyi transformasyon protokolünün de Transformasyon 7 (T7) olduğunu belirledi. RAPF klonlama ve T7 transformasyon, temel yüksek verimli (HiFi) klonlama protokolüne kıyasla klonlama verimliliğini bağımsız olarak sırasıyla 2,6 kat ve 36 kat artırdı; birlikte kullanıldıklarında ise 79 katlık eklemeli bir performans artışı sağladı. Tüm klonlar, dizileme ile doğrulandı. (Hata çubukları: n=3 bağımsız doğrulama deneyinin standart sapması.)
Henüz erken aşamada olsa da bu sonuçlar cesaret verici görünüyor. Elde edilen iyileştirmeler, model sistemimizde kullanılan belirli klonlama düzeneğine özgü olup protokollerin kurulması ile yürütülmesi halen insan bilim insanlarının katkısını gerektiriyor. Buna rağmen, bu deneyler yapay zeka sistemlerinin gerçek laboratuvar çalışmalarına anlamlı biçimde destek olabildiğini ve gelecekte insan bilim insanlarının çalışmalarını hızlandırma potansiyeline sahip olduğunu gösteriyor.
Dikkat çekici biçimde, yapay zeka-laboratuvar döngüsü sabit bir komutla ve hiçbir insan müdahalesi olmadan yürütüldü. Bu iskele yapı (scaffolding), modelin insan yönlendirmesinden bağımsız olarak gerçekten yenilikçi protokol değişiklikleri önerebilme kapasitesini ortaya koymaya yardımcı oldu; ancak aynı zamanda sistemi keşif moduna kilitleyerek, yeni keşfedilen fikirlerin performansını en üst düzeye çıkarma yeteneğini sınırladı. Keşif ve kullanma arasında daha iyi bir dinamik denge, muhtemelen daha büyük kazanımlar sağlayacaktır; zira hem enzimatik hem de transformasyonla ilişkili iyileştirmelerin daha fazla rafine edilmeye açık olduğu önemli bir alan bulunuyor. Planlama ve görev ufku (task-horizon) akıl yürütmesindeki ilerlemelerin, basit ve sabit komutların keşfini ve bunu izleyen optimizasyonu destekleme kapasitesini artırmasını bekliyoruz.
Gibson klonlama(yeni bir pencerede açılır) reaksiyonu, 2009'daki geliştirilmesinden bu yana moleküler biyolojide yaygın biçimde benimsenmiş temel klonlama yöntemlerinden biri haline gelmiştir. Bu yöntem, DNA parçalarının uçlarının kısa süreli olarak eritilmesi sayesinde uyumlu dizilerin tek bir molekül halinde birleştirilmesini, adeta "yapıştırılmasını" sağlar. Gibson klonlamanın en önemli avantajlarından biri basitliğidir: tüm süreç tek bir tüpte ve tek bir sıcaklıkta gerçekleşir. Ancak bu kısıtlar, aynı zamanda yöntemin iyileştirilebileceği doğal alanlar da yaratır. Buna ek olarak, aşağıdaki özellikler yapay zeka modellerinin ıslak laboratuvar tekniklerini iyileştirme yeteneklerini değerlendirmek açısından Gibson birleştirme yöntemini özellikle uygun kılar:
- Hücre temelli sistemlerin aksine, bileşenlerinin kontrollü ve iyi tanımlanmış olması
- Net bir optimizasyon hedefi sunması: sabit miktarda doğrusal DNA girdisinden, transformasyona uygun dairesel DNA elde edilmesi
- Görece hızlı (1-2 gün) deneysel döngülere sahip olması
- Yüksek boyutlu bir tasarım uzayı içermesi ve iyileştirme sürecinin mekanistik akıl yürütme gerektirmesi; tamponlar, reaktifler ve sıcaklıklar arasındaki güçlü karşılıklı bağımlılıklar
Optimizasyon için bir başlangıç noktası olarak, Gibson klonlamaya ve New England Biolabs tarafından geliştirilmiş tescilli bir enzim sistemi olan yüksek verimli klonlamayı(yeni bir pencerede açılır) kullandık. Tek adımlı ve izotermal kısıtlar kaldırıldığında, bir yapay zekanın deneysel geri bildirimlerden öğrenerek yenilik üretebilip bu senaryoda protokol iyileştirmelerini belirleyip belirleyemeyeceğini inceledik.
Özellikle, yeşil floresan protein (GFP) genini ve genlerin bakterilere taşınarak kopyalanmasını sağlayan, yaygın biçimde kullanılan standart bir DNA "taşıyıcısı" olan pUC19 plazmidini kullanarak iki parçalı bir klonlama reaksiyonu gerçekleştirdik. Amaç, başarılı koloni sayısını artırmaktı.
Klonlama reaksiyonunu, öneriler üzerinde yinelemeye olanak tanıyan evrimsel bir çerçeve uygulayarak optimize ettik; bu sayede model, geçmiş deneylerinden "online" olarak öğrenebildi. Her turda GPT‑5, 8-10 farklı reaksiyondan oluşan bir öneri grubu sundu; laboratuvarda hazır bulunmayan özel reaktifler gerektiren reaksiyonlar ise sonraki turlara ertelendi. Ardından insan bilim insanları bu reaksiyonları uyguladı ve başlangıç taramasında koloni sayıları, temel yüksek verimli Gibson klonlama protokolüne göre ölçüldü. Önceki turda en iyi performans gösteren veriler daha sonra bir sonraki tura aktarıldı. Önemli bir nokta olarak, verilen komutlar yalnızca açıklayıcı sorularla sınırlı tutuldu ve bunun ötesinde hiçbir insan girdisi olmaksızın standartlaştırıldı; bu sayede ortaya çıkan yeni mekanistik analizlerin insan yönlendirmesine değil, doğrudan yapay zekaya atfedilmesi mümkün oldu.
Tüm optimizasyon serisinden en iyi sekiz reaksiyonu, daha geniş bir DNA seyreltme aralığında yeniden test ettik ve bunların birçoğunun ilk taramaya kıyasla daha sınırlı etkiler gösterdiğini gözlemledik. Sonuç olarak, en güçlü doğrulanmış aday, özgün performansını yeniden üretebilen 5. tura ait bir reaksiyon oldu. Yüksek performans gösteren reaksiyonların önemli bir bölümü ligaz-polish ailesine aitti; bu grubun, kompetan hücre durumundaki küçük değişikliklere ve/veya reaksiyon sonrası DNA işleme adımlarına özellikle duyarlı olduğu görülmektedir. Bu reaksiyonlar kısa bir yüksek verimli adımı kullandığından, birçok ürünün E. coli'ye yalnızca bir bağlantısı kapatılmış halde girdiğini, diğer bağlantının ise eşleşme yoluyla tutulduğunu; aşağı akıştaki kurtarma sürecinin hücresel onarım yollarına kaldığını varsayıyoruz. Bu durum yüksek varyanslı ve bir tür "jackpot" dinamiği yaratır: çoğu zaman bu reaksiyon ailesindeki varyantlar üstün performans göstermese bile, tek bir güçlü uç değer, ailenin sonraki turlara taşınmasını sağlayabilir.
Mekaniksel karmaşıklığı nedeniyle klonlama reaksiyonunu turlar boyunca optimize etmeye odaklanırken, buna paralel olarak transformasyon prosedürünü tek bir "tek atımlık" tur kullanarak optimize ettik. Bu turda model, birbirinden bağımsız çok sayıda değişiklik önerdi ve biz de en iyi performansı gösteren reaksiyonu seçtik.
İki aşamalı klonlama iş akışının (enzimatik klonlama ve transformasyon) ilk optimizasyon taramaları. (Solda) Enzimatik klonlamanın beş tur boyunca yinelemeli optimizasyonu (toplam 44 reaksiyon). Yüksek verimli klonlama temel protokolünden başlanarak GPT‑5, her turda 8-10 klonlama protokolü varyantı önerdi; en iyi performans gösteren sonuçlara ait veriler, bir sonraki turlardaki istemlere dahil edildi. Her turda, o ana kadarki en iyi performansı gösteren reaksiyon (önceki turlar dahil) sunulmaktadır. (Sağda) 13 farklı protokolün test edilmesiyle gerçekleştirilen, transformasyon koşullarının tek atımlık (one-shot) optimizasyonu. Her iki optimizasyon taraması için de veriler, koşul başına tek ölçümü (n=1) temsil etmektedir; en iyi adaylar için tekrarlı doğrulama deneyleri ayrı olarak yürütülmüştür.
İnsan girdisi olmadan standartlaştırılmış komutlar kullanılarak GPT‑5, uçtan uca klonlama verimliliğini 79 kat artırdı ve bu sonuç deneysel tekrarlar boyunca doğrulandı.
Özellikle model, RecA-Destekli Eşleştir-Tamamla Mekanizmasına Dayalı Yüksek Verimli Klonlama (RAPF-HiFi) adını verdiği yeni bir enzimatik prosedür önerdi. Bu prosedür, reaksiyona iki yeni protein eklenmesini öngörmektedir: E. coli kaynaklı rekombinaz RecA ve faj T4 gen 32 tek iplikli DNA'ya bağlanan protein (gp32). Buna ek olarak model, inkübasyon sıcaklığı ve süresinde ve enzim ekleme zamanlamasında bilinçli değişiklikler yaptı: başlangıçta 50°C'de yüksek verimli klonlama reaksiyonunun yürütülmesini, ardından RecA ve gp32'nin eklenerek bu proteinlerin 37°C'de çalışmasına izin verilmesini ve son olarak klonlamayı tamamlamak üzere yeniden 50°C'ye dönülmesini önerdi. Bu yeni düzenlemeler birlikte ele alındığında, verimliliği 2,5 kattan fazla artırdı. Bunun, reaksiyon koşulları ve zamanlaması üzerinde yinelemeli bir optimizasyon yapılmaksızın elde edilen ilk performansı temsil ettiğini özellikle belirtmek gerekir.
Transformasyon tarafında en etkili değişiklik, beklenmedik biçimde oldukça basitti: hücreleri peletlemek (santrifüjde döndürerek tüpün dibinde toplanmalarını sağlamak), sağlanan hacmin yarısını uzaklaştırmak ve DNA eklenmeden önce hücreleri 4°C'de yeniden süspanse etmek. Yüksek verimli kimyasal olarak kompetan hücreler genellikle kırılgan kabul edilse de, hücreler bu yoğunlaştırmayı iyi tolere etti ve artan moleküler çarpışmalar transformasyon verimliliğini kayda değer biçimde artırdı (nihai doğrulamada 30 kattan fazla).
T5 ekzonükleaz, 3′ çıkıntılar oluşturarak süreci başlatır; gp32, ikincil yapı oluşumunu baskılayarak bu çıkıntıları stabilize eder. Ardından RecA, 3′ uçlardan ilerleyerek gp32'yi yerinden ayırır ve homoloji aramasını ve eşleşmeyi teşvik eder. 50 °C'ye ısıtma, her iki proteinin de DNA'dan ayrılmasını sağlar; böylece polimeraz boşluk doldurma ve ligasyon adımlarını tamamlar.
Gibson klonlama, DNA parçalarına birbiriyle uyumlu "yapışkan" uçlar kazandırarak bu parçaların birbirini bulmasını ve birleşmesini sağlar. Reaksiyonda, birleşen parçaların kalıcı hale getirilmesi için iki farklı enzim kullanılır: bir polimeraz ve bir ligaz. RAPF-yüksek verimli klonlama yaklaşımında ise, eşleşme adımını daha etkin hale getirmek amacıyla iki ek protein devreye sokulmuştur. Bunlardan ilki olan gp32, tek iplikli DNA'yı stabilize ederek ikincil yapıları ve dolaşıklıkları gideren bir tarak gibi davranır. İkincisi olan RecA ise, her bir DNA ipliği için doğru eşleşme ortağını arayan ve uyumlu parçaların bir araya gelmesini yönlendiren bir kılavuz görevi görür. Daha yüksek sıcaklığa geçildiğinde, bu iki yardımcı protein DNA'dan ayrılır ve böylece klasik Gibson enzimleri, reaksiyonu tamamlayabilir.
Özetle, gözlenen performans artışının aşağıdaki mekanizma üzerinden gerçekleştiğini varsayıyoruz:
- Gp32, eşleşmemiş tek iplikli DNA (ssDNA) kuyruklarını kaplayarak ikincil yapıları ortadan kaldırır
- RecA, normalde yapısal engeller nedeniyle baskılanan bir protein olup, 3’ uçtan ilerleyerek gp32 filamentini yerinden ayırır
- RecA, ssDNA:ssDNA homoloji aramasını(yeni bir pencerede açılır) gerçekleştirerek eşleşme sürecini yönlendirir
- 50°C'ye geri dönülmesi, hem RecA hem de gp32 filamentlerinin DNA'dan ayrılmasına yol açar; böylece polimeraz ve ligaz reaksiyonu tamamlayabilir.
Yeni enzimlerin işlevsel olup olmadığını test etmek ve performans artışının yalnızca ısıl adımlar ya da tamponlardaki değişikliklerden kaynaklanmadığını dışlamak amacıyla, RAPF-yüksek verimli klonlama performansını RecA olmadan ve hem RecA hem de gp32 olmadan olmak üzere ayrı ayrı değerlendirdik. Her iki koşulda da performansın, RAPF-yüksek verimli klonlamaya kıyasla belirgin biçimde azaldığı görüldü; bu bulgu, mekanizmanın etkin biçimde işlemesi için her iki proteinin de gerekli olduğunu göstermektedir.
Altta yatan mekanizmayı test etmek amacıyla, reaksiyona eklenen iki yeni enzimi ayrı ayrı değerlendirdik: RecA ve gp32. Bu enzimlerin her birinin tek başına kullanımı, yüksek verimli temel protokole kıyasla verimliliği azalttı. Buna karşılık birlikte kullanıldıklarında, temel protokolü 2,6 katlık bir verim artışıyla geride bıraktı. (Hata çubukları: n=3 bağımsız deneyin standart sapması)
RAPF-yüksek verimli klonlamanın geliştirilmesi, GPT‑5'in karmaşık ve çok boyutlu akıl yürütme yeteneğine sahip olduğunu göstermektedir:
- RecA, DNA ikincil yapıları tarafından baskılanır(yeni bir pencerede açılır); bu nedenle modelin iki sinerjik değişikliği aynı anda önermesi dikkat çekicidir: RecA'nın eklenmesi ve DNA ikincil yapılarını ortadan kaldırmak üzere gp32 ile desteklenmesi.
- E. coli RecA'nın doğal eşleniği, E. coli tek iplikli DNA'ya bağlanan protein (SSB)'dir. SSB, genom replikasyonu, rekombinasyon ve onarım sırasında gp32'ye benzer bir işlev üstlenir. Ancak E. coli SSB, RecA filamentinin büyümesini destekleyecek hızda DNA'dan kendiliğinden ayrılmaz; in vivo koşullarda RecFOR kompleksi, SSB filamenti üzerinde RecA nükleasyonunu teşvik eder(yeni bir pencerede açılır). SSB, son derece yavaş ayrılma kinetiğine(yeni bir pencerede açılır) sahip kararlı bir tetramer olarak bağlanır. Buna karşılık gp32 filamenti daha dinamiktir(yeni bir pencerede açılır); bu özellik, RecA'nın gp32'yi yerinden ayırabilmesine olanak tanır.
Bildiğimiz kadarıyla RecA ve gp32, moleküler biyoloji yöntemlerinde daha önce işlevsel olarak birlikte kullanılmamıştır. Birçok yenilikçi moleküler biyoloji tekniğinde olduğu gibi, altta yatan biyokimyasal aktiviteler daha önce incelenmiş olsa da, bu aktivitelerin pratik ve genellenebilir bir yöntem halinde bir araya getirilmesi, bu çalışmanın asıl yeniliğini oluşturmaktadır.
Örneğin, RecA ve gp32 etkileşimi, mekanistik in vitro yeniden oluşturma deneylerinde daha önce incelenmiştir. D-loop oluşumuna odaklanan çalışmalarda, gp32'nin RecA aktivitesini artırabildiği gösterilmiştir(yeni bir pencerede açılır). Gp32, doğal T4 rekombinaz eşi UvsX ve rekombinaz yükleme faktörü UvsY ile birlikte, rekombinaz polimeraz amplifikasyonu (RPA)(yeni bir pencerede açılır) yönteminde de kullanılmıştır. Bir RPA patent tanımında(yeni bir pencerede açılır), E. coli RecA'nın bozulmuş (yani doğal olmayan, mühendislik ürünü) bir gp32 proteini ile heterolog bir sistemde etkili RPA reaksiyonları sağlayabildiği belirtilse de, bu iddia bazı patent metinlerinde ikincil bir not olarak yer almakta; bildiğimiz kadarıyla yayınlanmış verilerle desteklenmemiş ve RecA temelli, sağlam bir RPA sistemi olarak benimsenmemiştir. SLiCE(yeni bir pencerede açılır) adı verilen bir klonlama yöntemi, λ Red rekombinasyon sistemini içeren E. coli tüm hücre özütünü kullanır; burada Red beta, hem DNA'ya bağlanan bir protein hem de rekombinaz olarak çift rol üstleniyor olabilir (ancak biz istemimizde hücre özütlerinin kullanımını açıkça yasakladık). Farklı bir çalışmada Ferrin ve Camerini-Otero(yeni bir pencerede açılır), eşleşen dizilere dayalı olarak DNA moleküllerini seçici biçimde yakalamak için yalnızca RecA kullandı. Ayrı olarak gp32, ikincil yapıları azaltmak amacıyla PCR olarak bilinen DNA amplifikasyon sürecinde bir katkı maddesi olarak kullanılmıştır(yeni bir pencerede açılır). NABSA amplifikasyonunun(yeni bir pencerede açılır) hem RecA hem de gp32 tarafından artırılabildiği gösterilmiştir; ancak her biri reaksiyonu ayrı ayrı iyileştirmiş ve aralarında belirgin bir sinerji tanımlanmamıştır. Daha genel olarak, Gibson tarzı DNA klonlama reaksiyonlarının temel protokolüne yönelik bildirilen iyileştirmeler sınırlı kalmıştır; en dikkat çekici örnek, klonlama verimliliğini yaklaşık 2,5 kat artıran(yeni bir pencerede açılır) ısıya dayanıklı bir DNA'ya bağlanan protein olan ET SSB'dir.
Çoğu uygulama için RAPF-yüksek verimli klonlamanın, yüksek verimli/Gibson klonlamanın sunduğu kolaylık ve sağlamlıkla rekabet etmesini beklemiyoruz. Ancak mekanistik olarak farklı bir klonlama yolunun ortaya çıkması dikkat çekici: GPT‑5, alışılagelmedik bir rekombinasyon proteinleri kombinasyonunu ve özgün reaksiyon dinamiklerini bir araya getiren bir çözüme ulaşmıştır. Altta yatan mekanizmanın modüler nitelikte olması mümkündür; bu da farklı moleküler iş akışlarında yeniden kullanılabilecek veya yeniden birleştirilebilecek bileşenler sunabileceği anlamına gelir. Buna ek olarak, RAPF-yüksek verimli klonlamaya yönelik iyileştirmeleri keşfetmeye devam ediyoruz. Reaksiyon sıcaklıkları ve adım süreleri, RecA ve gp32 aktivitesi ile ekzonükleazın aşırı sindirimi arasında denge sağlayacak şekilde ayarlanabilir; her iki proteinin miktarı da henüz optimize edilmemiştir. GPT‑5 ayrıca hiperaktif bir RecA varyantı önermiştir ve bu varyant şu anda saflaştırılmaktadır.
Transformasyon protokolü açısından değerlendirildiğinde, başarılı optimizasyon koşulları ticari 10-beta kompetan hücrelerin(yeni bir pencerede açılır) ısı şoku verimliliğini artırmayı amaçlayan çeşitli katkı maddelerini ve ısıl pertürbasyonları kapsıyordu. Yapay zeka tarafından üretilen 13 tek atımlık transformasyon varyantı arasında en etkili değişiklik, Transformasyon 7 (T7) olarak belirlendi: hücrelerin peletlenmesi, sağlanan hacmin yarısının uzaklaştırılması ve DNA eklenmeden önce hücrelerin 4°C'de yeniden süspanse edilmesi. Yüksek verimli kimyasal olarak kompetan hücreler genellikle kırılgan kabul edilir ve bu tür işlem adımlarından kaçınılır. Buna karşın, hücrelerin bu yoğunlaştırmayı iyi tolere ettiğini gördük. Hücre başına artan DNA maruziyeti ile inhibitör tamponun azalmasının birleşik etkisi, daha belirgin bir ısı şoku oluşturdu ve sonuçta transformasyon verimliliğinde kayda değer bir artış sağlandı (nihai doğrulamada 30 kattan fazla).
Her ne kadar hücrelerin daha erken bir aşamada yoğunlaştırıldığı kavramsal olarak benzer bir yaklaşım(yeni bir pencerede açılır) daha önce bildirilmiş olsa da bu transformasyon protokolü yenidir. Dikkat çekici biçimde, GPT‑5 tarafından burada geliştirilen yöntem, ticari olarak temin edilebilen, kimyasal olarak kompetan hücrelerle uyumludur ve laboratuvar içinde hücre hazırlama gereksinimini ortadan kaldırır. Ayrıca, karşılaştırılabilir hücre suşlarında bildirilen benzer yaklaşımlara kıyasla daha yüksek verim artışları sağlamaktadır.
Bu deneysel sistemin çıktı kapasitesini artırmak amacıyla Robot on Rails ve Red Queen Bio, doğal dilde yazılmış bir klonlama protokolünü alıp bunu ıslak laboratuvarda uygulayabilen bir robotik sistem geliştirmek üzere iş birliği yaptı.
Sistem üç temel bileşeni bir araya getirir: 1. İnsandan robota bir LLM, sade İngilizce ile yazılmış talimatları robot eylemlerine dönüştürür; 2. Bir görsel algılama sistemi, laboratuvar ekipmanlarını gerçek zamanlı olarak tanımlar ve konumlarını belirler. 3. Bir robotik yol planlayıcı, her bir eylemin güvenli ve hassas biçimde nasıl gerçekleştirileceğini hesaplar. Ortaya çıkan sonuç, esnek ve genelleştirilebilir bir laboratuvar robotudur. Bu sistem ayrıca Gibson klonlama protokolünün farklı varyantları için özel olarak optimize edilmiştir.
Otonom robotun tam bir klonlama deneyini uçtan uca yürütüp yürütemeyeceğini test etmek için, iki protokolü eş zamanlı olarak çalıştırdık: standart yüksek verimli yöntem ve ilk optimizasyon turunda en iyi performansı gösteren, yapay zeka tarafından değiştirilmiş protokol olan R8.
Robotun gerçekleştirdiği çalışmaları, her aşamada insan tarafından yürütülen deneylerle karşılaştırdık. Robot, transformasyon sürecini başarıyla yönetti; bu süreç sıvıların aktarılması ve karıştırılması, numune tüplerinin taşınması, hücrelere kontrollü ısı uygulanması ve hücrelerin besiyeri plaklarına yayılması gibi çeşitli fiziksel işlemler gerektiriyordu. İnsan tarafından gerçekleştirilen transformasyonlarla doğrudan karşılaştırıldığında robot, benzer kalitede veriler üretti ve temel protokole kıyasla eşdeğer iyileştirmeler sağladı. Bu bulgular, biyolojik deneylerin optimizasyonunun otomatikleştirilmesi ve hızlandırılması açısından erken bir potansiyele işaret etmektedir.
Robot ve insan deneyleri arasında gözlenen kat oranlarındaki değişimler benzer olsa da, robot tarafından elde edilen mutlak koloni sayıları, manuel uygulamaya kıyasla yaklaşık on kat daha düşüktü. Bu durum, sıvı taşıma hassasiyeti, sıcaklık kontrolü kalibrasyonu ve manuel hücre işleme tekniklerindeki ince nüansların daha iyi taklit edilmesi gibi alanlarda iyileştirme gerekliliğine işaret etmektedir.
Hem standart yüksek verimli yöntem (temel referans) hem de iyileştirilmiş R8 yöntemi, insan araştırmacılar ve otonom robot tarafından ayrı ayrı yürütüldü; transformasyon verimlilikleri, ilgili yüksek verimli temel kontrollerine göre normalize edilerek 1,0 olarak ayarlandı. İnsanlar tarafından uygulanan R8, 2,39 katlık bir iyileşme gösterirken, robot tarafından uygulanan R8 ise 2,13 katlık bir iyileşme sağladı (insan performansının %89'u). Bu sonuçlar, mutlak verimler daha düşük olsa bile protokollerin göreli sıralamasının karşılaştırılabilir olduğunu ortaya koymaktadır.
Bu deneylerin, yapay zeka ile hızlandırılmış bilimin gelecekte nasıl görüneceğine dair bir manzara sunduğuna inanıyoruz: gerçek dünyayla sürekli etkileşen ve öğrenmeye devam eden modeller. Deneylerimiz, model yeteneklerini saf biçimde ölçebilmek için insan müdahalesini dışlamış olsa da, yapay zekanın insan bilim insanlarının deney tasarlamasına yardımcı olması ve araştırma atılımlarına katkıda bulunması konusunda özellikle heyecan duyuyoruz.
Bilimsel ilerlemeyi güvenli ve sorumlu biçimde hızlandırmaya çalışırken, özellikle biyogüvenlikle ilgili riskleri değerlendirmeyi ve azaltmayı da hedefliyoruz. Bu değerlendirme sonuçları, modellerin ıslak laboratuvarda protokolleri iyileştirecek şekilde akıl yürütebildiğini göstermekte ve Preparedness Framework(yeni bir pencerede açılır)'ümüzde açıklandığı üzere biyogüvenlik açısından sonuçlar doğurabileceğine işaret etmektedir. Bu riskleri azaltmak için model ve sistem düzeyinde gerekli ve incelikli koruma önlemlerini geliştirmeye, ayrıca mevcut düzeyleri izlemek için değerlendirmeler oluşturmaya kararlıyız.
