Welkom in het Lab van de Toekomst! 🧬🤖 We zijn enthousiast om LUMI-lab te delen, vandaag gepubliceerd in @CellCellPress — een zelfrijdend platform dat een AI-fundamentaal model koppelt aan een robotlaboratorium om autonoom ioniseerbare lipiden (LNP's) voor mRNA-levering te ontdekken. Het kernprobleem: Het ontwerpen van lipidnanopartikels (LNP's) is moeilijk. De chemische ruimte van ioniseerbare lipiden is enorm, experimentele cycli zijn traag, en — cruciaal — historische LNP-datasets zijn veel te klein om een voorspellend model vanaf nul te trainen. De meeste AI-benaderingen in deze ruimte stuiten onmiddellijk op een muur: niet genoeg data om van te leren. Onze oplossing: lab-in-the-loop fundamenteel model leren. In plaats van alleen op LNP-gegevens te trainen, begint LUMI als een transformer-gebaseerd fundamenteel model dat is voorgetraind over een brede chemische ruimte, en bouwt rijke moleculaire representaties op voordat het ooit een enkel LNP-experiment ziet. Dan komt het in een gesloten lus met een robotische syntheseplatform: voorspellen → synthetiseren → testen → bijwerken. Elke ronde van echte nat-labexperimenten verfijnt het model, dat vervolgens slimmer kandidaten voor de volgende ronde voorstelt. Het lab valideert niet alleen AI-voorspellingen — het leert het model actief, continu. Wat er gebeurde toen we het lieten draaien: LUMI-lab synthetiseerde en screende autonoom meer dan 1.700 ioniseerbare lipiden in menselijke bronchiale epitheelcellen. De beste kandidaat — LUMI-6 — heeft een gebromeerde lipide staart, een structureel motief dat grotendeels over het hoofd was gezien in LNP-ontwerp. LUMI vond het zonder te worden verteld waar te zoeken. Toen het werd geformuleerd in LNP's en intratracheaal aan muizen werd geleverd, bereikte LUMI-6 een genbewerkingsefficiëntie van 20,3% in longepitheelcellen — een overtuigend resultaat voor een van de moeilijkst te bereiken therapeutische doelen, direct relevant voor ziekten zoals cystische fibrose en alfa-1-antitrypsine-deficiëntie. Waarom dit belangrijk is buiten LNP's: Dit is een bewijs van concept voor een bredere these — dat fundamenteel model voortraining + actief leren + robotexperimentatie de knelpunt van datatekort kan overwinnen dat AI-gedreven ontdekking in de biologie teistert. Je hebt geen enorme domeinspecifieke dataset nodig om te beginnen. Je hebt een model nodig dat kan generaliseren, een lab dat de juiste data kan genereren, en een lus die hen verbindt. Grote felicitaties aan de eerste auteurs Yue Xu, @HAOTIANCUI1, en Kuan Pang, en aan het hele @BowenLi_Lab team. Dankbaar voor onze samenwerkingspartners bij @UHN en @UofTPharmacy, en aan het Princess Margaret Cancer Centre Research @PMResearch_UHN. 📄 Paper: