Geleceğin Laboratuvarı'na hoş geldiniz! 🧬🤖 Bugün @CellCellPress'de piyasaya sürülen LUMI-lab'ı paylaşmaktan heyecan duyuyoruz — yapay zeka temel modelini robotik laboratuvarla birleştiren, mRNA iletimi için iyonlaşabilir lipidleri (LNP) otonom olarak keşfeden kendi kendine sürücü platform. Temel sorun: Lipid nanopartikülleri (LNP) tasarlamak zordur. İyonizlenebilir lipidlerin kimyasal alanı geniştir, deneysel döngüler yavaştır ve — kritik olarak — tarihsel LNP veri setleri, sıfırdan öngörücü bir model eğitmek için çok küçüktür. Bu alandaki çoğu yapay zeka yaklaşımı hemen bir duvara çarpıyor: öğrenilecek yeterli veri yok. Çözümümüz: laboratuvarda döngüde temel model öğrenimi. Sadece LNP verileriyle eğitim almak yerine, LUMI geniş kimyasal alanda önceden eğitilmiş transformatör tabanlı bir temel model olarak başlar ve tek bir LNP deneyi görmeden zengin moleküler temsiller oluşturur. Sonra robotik bir sentez platformuyla kapalı bir döngüye giriyor: tahmin → sentezle → test → güncelleme. Her gerçek ıslak laboratuvar deneyi turu modeli ince ayarlar ve bu da bir sonraki tur için daha akıllı adaylar önerir. Laboratuvar sadece yapay zeka tahminlerini doğrulamakla kalmıyor — modeli aktif olarak sürekli öğretiyor. Çalıştırmaya bıraktığımızda ne oldu: LUMI-lab, insan bronşiyal epitel hücrelerinde 1.700+ iyonize lipidi otonom olarak sentezledi ve taradı. En önemli aday — LUMI-6 — bromlu lipid kuyruğuna sahip; bu, LNP tasarımında büyük ölçüde gözden kaçan yapısal bir motif. LUMI nereye bakması gerektiği söylenmeden buldu. LNP'lere formüle edilip farelere intratrakeal olarak verildiğinde, LUMI-6 akciğer epitel hücrelerinde %20,3 gen düzenleme verimliliği sağladı — bu, kistik fibroz ve alfa-1 antitripsin eksikliği gibi hastalıklarla doğrudan ilgili en ulaşılması zor terapötik hedeflerden biri için etkileyici bir sonuçtur. Bunun LNP'lerin ötesinde neden önemli olduğunu: Bu, daha geniş bir tezin kavram kanıtıdır — temel model ön eğitimi + aktif öğrenme + robotik deneyler, biyolojide yapay zeka destekli keşifleri etkileyen veri kıtlığı darboğazını aşabilir. Başlamak için devasa bir alan bölgesine özgü veri setine ihtiyacınız yok. Genelleştirebilen bir modele, doğru veriyi üretebilen bir laboratuvara ve bunları birbirine bağlayan bir döngüye ihtiyacınız var. İlk yazarlar Yue Xu, @HAOTIANCUI1 ve Kuan Pang'a, ayrıca tüm @BowenLi_Lab ekibine büyük tebrikler. @UHN ve @UofTPharmacy'daki işbirlikçilerimize ve Princess Margaret Kanser Merkezi Araştırma @PMResearch_UHN'a minnettarız. 📄 Makale: