Добро пожаловать в Лабораторию Будущего! 🧬🤖 С радостью делимся LUMI-lab, который сегодня вышел в @CellCellPress — платформой с автопилотом, которая сочетает в себе модель основанную на ИИ с роботизированной лабораторией для автономного открытия ионизируемых липидов (LNP) для доставки мРНК. Основная проблема: проектирование липидных наночастиц (LNP) сложно. Химическое пространство ионизируемых липидов обширно, экспериментальные циклы медленны, и — что критично — исторические наборы данных LNP слишком малы, чтобы обучить предсказательную модель с нуля. Большинство подходов ИИ в этой области сразу же сталкиваются с проблемой: недостаточно данных для обучения. Наше решение: обучение модели с лабораторией в цикле. Вместо того чтобы обучаться только на данных LNP, LUMI начинает как основанная на трансформерах модель, предварительно обученная на широком химическом пространстве, создавая богатые молекулярные представления, прежде чем увидеть хотя бы один эксперимент с LNP. Затем она входит в замкнутый цикл с роботизированной платформой синтеза: предсказать → синтезировать → анализировать → обновить. Каждый раунд реальных экспериментов в лаборатории уточняет модель, которая затем предлагает более умные кандидаты для следующего раунда. Лаборатория не просто подтверждает предсказания ИИ — она активно обучает модель, непрерывно. Что произошло, когда мы позволили ей работать: LUMI-lab автономно синтезировал и протестировал более 1,700 ионизируемых липидов в клетках бронхиального эпителия человека. Лучший кандидат — LUMI-6 — имеет бромированный липидный хвост, структурный мотив, который в значительной степени был упущен в проектировании LNP. LUMI нашел его, не будучи сказанным, где искать. Когда он был сформулирован в LNP и доставлен интратрахеально мышам, LUMI-6 достиг 20.3% эффективности редактирования генов в клетках легочного эпителия — впечатляющий результат для одной из самых труднодоступных терапевтических мишеней, непосредственно относящейся к таким заболеваниям, как муковисцидоз и дефицит альфа-1 антитрипсина. Почему это важно за пределами LNP: Это доказательство концепции для более широкой тезы — что предварительное обучение модели + активное обучение + роботизированные эксперименты могут преодолеть узкое место нехватки данных, которое мешает открытиям, основанным на ИИ, в биологии. Вам не нужен огромный набор данных, специфичный для области, чтобы начать. Вам нужна модель, которая может обобщать, лаборатория, которая может генерировать правильные данные, и цикл, который связывает их. Огромные поздравления первым авторам Юэ Сю, @HAOTIANCUI1 и Куану Пэну, а также всей команде @BowenLi_Lab. Благодарны нашим партнерам в @UHN и @UofTPharmacy, а также Центру исследований рака Принцессы Маргарет @PMResearch_UHN. 📄 Статья: