Selamat datang di Lab Masa Depan! 🧬🤖 Senang untuk membagikan LUMI-lab, yang dirilis hari ini di @CellCellPress — platform self-driving yang memasangkan model fondasi AI dengan lab robotik untuk menemukan lipid terionisasi (LNP) secara mandiri untuk pengiriman mRNA. Masalah inti: Merancang nanopartikel lipid (LNP) itu sulit. Ruang kimia lipid yang dapat diionisasi sangat luas, siklus eksperimental lambat, dan — yang kritis — kumpulan data LNP historis terlalu kecil untuk melatih model prediktif dari awal. Sebagian besar pendekatan AI di ruang ini langsung menabrak dinding: tidak cukup data untuk dipelajari. Solusi kami: pembelajaran model pondasi lab-in-the-loop. Alih-alih berlatih pada data LNP saja, LUMI dimulai sebagai model pondasi berbasis transformator yang telah dilatih sebelumnya di seluruh ruang kimia yang luas, membangun representasi molekuler yang kaya sebelum melihat satu eksperimen LNP. Kemudian memasuki lingkaran tertutup dengan platform sintesis robotik: memprediksi → mensintesis → pengujian → pembaruan. Setiap putaran eksperimen laboratorium basah nyata menyempurnakan model, yang kemudian mengusulkan kandidat yang lebih cerdas untuk putaran berikutnya. Lab tidak hanya memvalidasi prediksi AI — tetapi secara aktif mengajarkan model, terus menerus. Apa yang terjadi ketika kami membiarkannya berjalan: LUMI-lab secara mandiri mensintesis dan menyaring 1.700+ lipid yang dapat diionisasi dalam sel epitel bronkial manusia. Kandidat teratas - LUMI-6 - menampilkan ekor lipid brominasi, motif struktural yang sebagian besar diabaikan dalam desain LNP. LUMI menemukannya tanpa diberitahu ke mana harus mencarinya. Ketika diformulasikan menjadi LNP dan dikirim secara intratracheally ke tikus, LUMI-6 mencapai efisiensi pengeditan gen 20,3% dalam sel epitel paru-paru - hasil yang menarik untuk salah satu target terapeutik yang paling sulit dijangkau, yang secara langsung relevan dengan penyakit seperti fibrosis kistik dan defisiensi antitripsin alfa-1. Mengapa ini penting di luar LNP: Ini adalah bukti konsep untuk tesis yang lebih luas — bahwa prapelatihan model dasar + pembelajaran aktif + eksperimen robotik dapat mengatasi kemacetan kelangkaan data yang mengganggu penemuan berbasis AI dalam biologi. Anda tidak memerlukan himpunan data khusus domain besar untuk memulai. Anda memerlukan model yang dapat menggeneralisasi, lab yang dapat menghasilkan data yang tepat, dan loop yang menghubungkannya. Selamat banyak kepada penulis pertama Yue Xu, @HAOTIANCUI1, dan Kuan Pang, dan kepada seluruh tim @BowenLi_Lab. Terima kasih kepada kolaborator kami di @UHN dan @UofTPharmacy, dan kepada Princess Margaret Cancer Centre Research @PMResearch_UHN. 📄 Kertas: