Witamy w Laboratorium Przyszłości! 🧬🤖 Z radością dzielimy się LUMI-lab, dostępnym dzisiaj w @CellCellPress — platformą autonomiczną, która łączy model podstawowy AI z robotycznym laboratorium, aby autonomicznie odkrywać lipidy jonizowalne (LNP) do dostarczania mRNA. Główny problem: Projektowanie nanopartkułków lipidowych (LNP) jest trudne. Przestrzeń chemiczna lipidów jonizowalnych jest ogromna, cykle eksperymentalne są wolne, a — co krytyczne — historyczne zbiory danych LNP są zbyt małe, aby wytrenować model predykcyjny od podstaw. Większość podejść AI w tej dziedzinie natrafia na ścianę od razu: za mało danych do nauki. Nasze rozwiązanie: uczenie modelu podstawowego z laboratorium w pętli. Zamiast trenować tylko na danych LNP, LUMI zaczyna jako model podstawowy oparty na transformatorze, wstępnie wytrenowany w szerokiej przestrzeni chemicznej, budując bogate reprezentacje molekularne, zanim zobaczy jakikolwiek eksperyment LNP. Następnie wchodzi w zamkniętą pętlę z robotyczną platformą syntezującą: przewiduj → syntezuj → testuj → aktualizuj. Każda runda rzeczywistych eksperymentów w laboratorium dostosowuje model, który następnie proponuje mądrzejsze kandydaty na następną rundę. Laboratorium nie tylko weryfikuje przewidywania AI — aktywnie uczy model, nieprzerwanie. Co się stało, gdy pozwoliliśmy mu działać: LUMI-lab autonomicznie zsyntetyzował i przesiał ponad 1,700 jonizowalnych lipidów w ludzkich komórkach nabłonka oskrzelowego. Najlepszy kandydat — LUMI-6 — ma bromowany ogon lipidowy, motyw strukturalny, który był w dużej mierze pomijany w projektowaniu LNP. LUMI znalazł go bez wskazania, gdzie szukać. Po sformułowaniu w LNP i dostarczeniu do myszy drogą trachealną, LUMI-6 osiągnął 20,3% efektywności edycji genów w komórkach nabłonka płuc — przekonujący wynik dla jednego z najtrudniejszych do osiągnięcia celów terapeutycznych, bezpośrednio związany z chorobami takimi jak mukowiscydoza i niedobór alfa-1-antytrypsyny. Dlaczego to ma znaczenie poza LNP: To dowód koncepcji dla szerszej tezy — że wstępne trenowanie modelu podstawowego + aktywne uczenie + robotyczne eksperymentowanie mogą przezwyciężyć wąskie gardło braku danych, które dręczy odkrycia napędzane AI w biologii. Nie potrzebujesz ogromnego zbioru danych specyficznych dla dziedziny, aby zacząć. Potrzebujesz modelu, który potrafi uogólniać, laboratorium, które potrafi generować odpowiednie dane, i pętli, która je łączy. Ogromne gratulacje dla pierwszych autorów Yue Xu, @HAOTIANCUI1 i Kuan Pang, oraz dla całego zespołu @BowenLi_Lab. Jesteśmy wdzięczni naszym współpracownikom z @UHN i @UofTPharmacy oraz Centrum Badawczemu Princess Margaret Cancer @PMResearch_UHN. 📄 Artykuł: