Tervetuloa tulevaisuuden laboratorioon! 🧬🤖 Olen innoissani voidessani jakaa LUMI-labin, joka julkaistaan tänään vuonna @CellCellPress — itseohjautuva alusta, joka yhdistää tekoälypohjamallin robottilaboratorioon ja löytää itsenäisesti ionisoituvia lipidejä (LNP) mRNA:n kuljetusta varten. Ydinongelma: Lipidinanopartikkeleiden (LNP) suunnittelu on vaikeaa. Ionisoituvien lipidien kemiallinen avaruus on laaja, kokeelliset syklit ovat hitaita ja — mikä on tärkeää — historialliset LNP-aineistot ovat aivan liian pieniä koulutettavaksi ennustavaa mallia alusta alkaen. Useimmat tekoälyn lähestymistavat tällä alalla törmäsivät välittömästi seinään: ei tarpeeksi dataa oppimiseen. Ratkaisumme: laboratoriopohjainen mallien oppiminen. Sen sijaan, että koulutettaisiin pelkästään LNP-datalla, LUMI alkaa muuntajapohjaisena perustusmallina, joka on esikoulutettu laajassa kemiallisessa tilassa, rakentaen rikkaita molekyyliesityksiä ennen kuin se näkee yhtään LNP-koetta. Sitten se siirtyy suljettuun silmukkaan robottisynteesialustalla: ennustaa → synteesi → testaa → päivitä. Jokainen kierros oikeaa märkälaboratoriokokeita hienosäätää mallia, joka sitten ehdottaa älykkäämpiä ehdokkaita seuraavalle kierrokselle. Laboratorio ei vain validoi tekoälyn ennusteita — se opettaa mallia aktiivisesti, jatkuvasti. Mitä tapahtui, kun annoimme sen toimia: LUMI-lab synteettisesti ja seuloi itsenäisesti 1 700+ ionisoituvaa lipidiä ihmisen keuhkoputkien epiteelisoluissa. Ykkösehdokas — LUMI-6 — esittelee bromatun lipidipyrstön, rakenteellisen motiivin, joka on pitkälti jäänyt LNP:n suunnittelussa huomiotta. LUMI löysi sen ilman, että hänelle kerrottiin, mistä etsiä. Kun LUMI-6 formuloitiin LNP:iksi ja toimitettiin intratrakeaalisesti hiirille, se saavutti 20,3 % geenimuokkauksen tehokkuuden keuhkojen epiteelisodoissa — vakuuttava tulos yhdelle vaikeimmin saavutettavista terapeuttisista kohteista, joka liittyy suoraan sairauksiin kuten kystiseen fibroosiin ja alfa-1-antitrypsiinipuutokseen. Miksi tällä on merkitystä LNP:iden ulkopuolella: Tämä on konseptin todiste laajemmalle väitteelle — että perustamallien esikoulutus + aktiivinen oppiminen + robottikokeilu voivat voittaa datan niukkuuden pullonkaulan, joka vaivaa tekoälypohjaista biologian löytöä. Et tarvitse valtavaa toimialakohtaista aineistoa aloittaaksesi. Tarvitset mallin, joka pystyy yleistää, laboratorion, joka pystyy tuottamaan oikeat tiedot, ja silmukan, joka yhdistää ne. Suuret onnittelut ensimmäisille kirjoittajille Yue Xulle, @HAOTIANCUI1:lle ja Kuan Pangille sekä koko @BowenLi_Lab-tiimille. Olemme kiitollisia yhteistyökumppaneillemme @UHN ja @UofTPharmacy:ssa sekä Princess Margaret Cancer Centre Research @PMResearch_UHN:lle. 📄 Artikkeli: