Velkommen til Fremtidens laboratorium! 🧬🤖 Gleder meg til å dele LUMI-lab, som lanseres i dag i @CellCellPress — en selvkjørende plattform som kombinerer en AI-grunnmodell med et robotlaboratorium for autonomt å oppdage ioniserbare lipider (LNP-er) for mRNA-levering. Kjerneproblemet: Å designe lipidnanopartikler (LNP-er) er vanskelig. Det kjemiske rommet for ioniserbare lipider er enormt, eksperimentelle sykluser er trege, og — avgjørende — er historiske LNP-datasett altfor små til å trene en prediktiv modell fra bunnen av. De fleste AI-tilnærminger på dette området møter umiddelbart en vegg: det er ikke nok data å lære av. Vår løsning: lab-in-the-loop grunnleggende modelllæring. I stedet for å trene kun på LNP-data, starter LUMI som en transformer-basert grunnlag forhåndstrent over et bredt kjemisk rom, og bygger rike molekylære representasjoner før det noen gang ser et enkelt LNP-eksperiment. Deretter går den inn i en lukket sløyfe med en robotisk synteseplattform: forutsi → syntetisere → teste → oppdatering. Hver runde med ekte våtlaboratorieeksperimenter finjusterer modellen, som deretter foreslår smartere kandidater for neste runde. Laboratoriet validerer ikke bare AI-prediksjoner — det underviser aktivt i modellen, kontinuerlig. Hva skjedde da vi lot den gå: LUMI-lab syntetiserte og screenet autonomt 1 700+ ioniserbare lipider i humane bronkiale epitelceller. Toppkandidaten — LUMI-6 — har en bromert lipidhale, et strukturelt motiv som i stor grad har blitt oversett i LNP-design. LUMI fant den uten å bli fortalt hvor de skulle lete. Når det ble formulert til LNP-er og levert intratrakealt til mus, oppnådde LUMI-6 20,3 % genredigeringseffektivitet i lungeepitelceller — et overbevisende resultat for et av de vanskeligst tilgjengelige terapeutiske målene, direkte relevant for sykdommer som cystisk fibrose og alfa-1 antitrypsinmangel. Hvorfor dette er viktig utover LNP-er: Dette er et bevis på konseptet for en bredere tese — at grunnleggende modellfortrening + aktiv læring + roboteksperimentering kan overvinne flaskehalsen i datamangel som plager AI-drevne oppdagelser i biologi. Du trenger ikke et enormt domenespesifikt datasett for å starte. Du trenger en modell som kan generalisere, et laboratorium som kan generere riktige data, og en løkke som kobler dem sammen. Stor gratulasjon til førsteforfatterne Yue Xu, @HAOTIANCUI1 og Kuan Pang, og til hele @BowenLi_Lab-teamet. Takknemlig for våre samarbeidspartnere i @UHN og @UofTPharmacy, og for Princess Margaret Cancer Centre Research @PMResearch_UHN. 📄 Artikkel: