Välkommen till Framtidens Laboratorium! 🧬🤖 Jag är glad att dela LUMI-lab, som släpps idag i @CellCellPress — en självkörande plattform som kombinerar en AI-grundmodell med ett robotlaboratorium för att autonomt upptäcka joniserbara lipider (LNP) för mRNA-leverans. Kärnproblemet: Att designa lipidnanopartiklar (LNP) är svårt. Det kemiska utrymmet för joniserbara lipider är enormt, experimentella cykler är långsamma och – avgörande – historiska LNP-dataset är alldeles för små för att träna en prediktiv modell från grunden. De flesta AI-metoder inom detta område stötte genast på en vägg: det finns inte tillräckligt med data att lära sig av. Vår lösning: lab-in-the-loop-grundmodellinlärning. Istället för att träna enbart på LNP-data börjar LUMI som en transformerbaserad grundmodell förtränad över ett brett kemiskt utrymme, och bygger rika molekylära representationer innan det ens ser ett enda LNP-experiment. Sedan går den in i en sluten loop med en robotisk syntesplattform: förutse → syntetisera → analysera → uppdatering. Varje omgång av riktiga våtlabbexperiment finjusterar modellen, som sedan föreslår smartare kandidater för nästa omgång. Labbet validerar inte bara AI-förutsägelser – det lär aktivt ut modellen, kontinuerligt. Vad hände när vi lät det köra: LUMI-labbet syntetiserade och screenade autonomt 1 700+ joniserbara lipider i mänskliga bronkialepitelceller. Den främsta kandidaten — LUMI-6 — har en bromerad lipidsvans, ett strukturellt motiv som till stor del förbises i LNP-designen. LUMI hittade den utan att bli tillsagd var de skulle leta. När LUMI-6 formulerades till LNP:er och levererades intratrakealt till möss uppnådde den 20,3 % genredigeringseffektivitet i lungepitelceller — ett övertygande resultat för ett av de svåråtkomliga terapeutiska målen, direkt relevant för sjukdomar som cystisk fibros och alfa-1-antitrypsinbrist. Varför detta är viktigt utöver LNP:er: Detta är ett bevis på konceptet för en bredare tes — att grundläggande modellförträning + aktivt lärande + robotexperiment kan övervinna den flaskhals i databrist som plågar AI-drivna upptäckter inom biologi. Du behöver inte en massiv domänspecifik datamängd för att börja. Du behöver en modell som kan generalisera, ett labb som kan generera rätt data och en loop som kopplar ihop dem. Stort grattis till förstaförfattarna Yue Xu, @HAOTIANCUI1 och Kuan Pang, samt till hela @BowenLi_Lab-teamet. Tacksam mot våra samarbetspartners på @UHN och @UofTPharmacy, och mot Princess Margaret Cancer Centre Research @PMResearch_UHN. 📄 Papper: