Bienvenue dans le Laboratoire du Futur ! 🧬🤖 Nous sommes ravis de partager LUMI-lab, publié aujourd'hui dans @CellCellPress — une plateforme autonome qui associe un modèle de fondation AI à un laboratoire robotique pour découvrir de manière autonome des lipides ionisables (LNP) pour la livraison d'ARNm. Le problème central : Concevoir des nanoparticules lipidiques (LNP) est difficile. L'espace chimique des lipides ionisables est vaste, les cycles expérimentaux sont lents, et — de manière critique — les ensembles de données historiques sur les LNP sont beaucoup trop petits pour entraîner un modèle prédictif à partir de zéro. La plupart des approches AI dans ce domaine rencontrent immédiatement un mur : pas assez de données à partir desquelles apprendre. Notre solution : apprentissage du modèle de fondation avec laboratoire intégré. Au lieu de s'entraîner uniquement sur des données de LNP, LUMI commence comme un modèle de fondation basé sur un transformateur préentraîné sur un large espace chimique, construisant des représentations moléculaires riches avant de voir un seul expérience de LNP. Ensuite, il entre dans une boucle fermée avec une plateforme de synthèse robotique : prédire → synthétiser → évaluer → mettre à jour. Chaque série d'expériences réelles en laboratoire ajuste le modèle, qui propose ensuite des candidats plus intelligents pour le tour suivant. Le laboratoire ne fait pas que valider les prédictions de l'AI — il enseigne activement au modèle, en continu. Ce qui s'est passé quand nous l'avons laissé fonctionner : LUMI-lab a synthétisé et testé de manière autonome plus de 1 700 lipides ionisables dans des cellules épithéliales bronchiques humaines. Le meilleur candidat — LUMI-6 — présente une queue lipidique bromée, un motif structurel qui avait été largement négligé dans la conception des LNP. LUMI l'a trouvé sans qu'on lui dise où chercher. Lorsqu'il est formulé en LNP et administré par voie intratrachéale à des souris, LUMI-6 a atteint une efficacité d'édition génique de 20,3 % dans les cellules épithéliales pulmonaires — un résultat convaincant pour l'une des cibles thérapeutiques les plus difficiles à atteindre, directement pertinent pour des maladies comme la fibrose kystique et la déficience en alpha-1 antitrypsine. Pourquoi cela compte au-delà des LNP : C'est une preuve de concept pour une thèse plus large — que le préentraînement du modèle de fondation + l'apprentissage actif + l'expérimentation robotique peuvent surmonter le goulot d'étranglement de la rareté des données qui plague la découverte guidée par l'AI en biologie. Vous n'avez pas besoin d'un ensemble de données massif spécifique à un domaine pour commencer. Vous avez besoin d'un modèle qui peut généraliser, d'un laboratoire qui peut générer les bonnes données, et d'une boucle qui les connecte. Félicitations énormes aux premiers auteurs Yue Xu, @HAOTIANCUI1, et Kuan Pang, ainsi qu'à toute l'équipe du @BowenLi_Lab. Reconnaissants envers nos collaborateurs de @UHN et @UofTPharmacy, et au Centre de recherche du Princess Margaret Cancer Centre @PMResearch_UHN. 📄 Article :