Benvenuti nel Laboratorio del Futuro! 🧬🤖 Siamo entusiasti di condividere LUMI-lab, disponibile oggi su @CellCellPress — una piattaforma autonoma che abbina un modello di fondazione AI a un laboratorio robotico per scoprire autonomamente lipidi ionizzabili (LNP) per la consegna di mRNA. Il problema principale: progettare nanoparticelle lipidiche (LNP) è difficile. Lo spazio chimico dei lipidi ionizzabili è vasto, i cicli sperimentali sono lenti e — in modo critico — i dataset storici di LNP sono troppo piccoli per addestrare un modello predittivo da zero. La maggior parte degli approcci AI in questo campo si scontra immediatamente con un muro: non ci sono dati sufficienti da cui apprendere. La nostra soluzione: apprendimento del modello di fondazione con laboratorio in loop. Invece di addestrarsi solo sui dati LNP, LUMI inizia come un modello di fondazione basato su transformer pre-addestrato su un ampio spazio chimico, costruendo ricche rappresentazioni molecolari prima di vedere un singolo esperimento LNP. Poi entra in un ciclo chiuso con una piattaforma di sintesi robotica: predici → sintetizza → analizza → aggiorna. Ogni ciclo di esperimenti reali in laboratorio affina il modello, che poi propone candidati più intelligenti per il ciclo successivo. Il laboratorio non sta solo convalidando le previsioni dell'AI — sta attivamente insegnando al modello, continuamente. Cosa è successo quando l'abbiamo lasciato funzionare: LUMI-lab ha autonomamente sintetizzato e analizzato oltre 1.700 lipidi ionizzabili in cellule epiteliali bronchiali umane. Il miglior candidato — LUMI-6 — presenta una coda lipidica bromurata, un motivo strutturale che era stato ampiamente trascurato nella progettazione di LNP. LUMI lo ha trovato senza essere stato indicato dove cercare. Quando formulato in LNP e somministrato intratrachealmente ai topi, LUMI-6 ha raggiunto un'efficienza di editing genico del 20,3% nelle cellule epiteliali polmonari — un risultato convincente per uno dei target terapeutici più difficili da raggiungere, direttamente rilevante per malattie come la fibrosi cistica e la carenza di alfa-1 antitripsina. Perché questo è importante oltre gli LNP: Questo è una prova di concetto per una tesi più ampia — che il pre-addestramento del modello di fondazione + apprendimento attivo + sperimentazione robotica possono superare il collo di bottiglia della scarsità di dati che affligge la scoperta guidata dall'AI in biologia. Non hai bisogno di un enorme dataset specifico per il dominio per iniziare. Hai bisogno di un modello che possa generalizzare, di un laboratorio che possa generare i dati giusti e di un ciclo che li colleghi. Grandissime congratulazioni ai primi autori Yue Xu, @HAOTIANCUI1 e Kuan Pang, e a tutto il team di @BowenLi_Lab. Grati ai nostri collaboratori di @UHN e @UofTPharmacy, e al Princess Margaret Cancer Centre Research @PMResearch_UHN. 📄 Articolo: