Chào mừng bạn đến với Phòng Thí Nghiệm Tương Lai! 🧬🤖 Rất vui được chia sẻ LUMI-lab, ra mắt hôm nay tại @CellCellPress — một nền tảng tự lái kết hợp mô hình nền tảng AI với một phòng thí nghiệm robot để tự động phát hiện các lipid có thể ion hóa (LNPs) cho việc vận chuyển mRNA. Vấn đề cốt lõi: Thiết kế các hạt nano lipid (LNPs) là rất khó. Không gian hóa học của các lipid có thể ion hóa rất rộng lớn, chu kỳ thử nghiệm thì chậm, và — quan trọng — các tập dữ liệu LNP lịch sử quá nhỏ để đào tạo một mô hình dự đoán từ đầu. Hầu hết các phương pháp AI trong lĩnh vực này đều gặp phải bức tường ngay lập tức: không đủ dữ liệu để học. Giải pháp của chúng tôi: học mô hình nền tảng trong phòng thí nghiệm. Thay vì chỉ đào tạo trên dữ liệu LNP, LUMI bắt đầu như một mô hình nền tảng dựa trên transformer được đào tạo trước trên không gian hóa học rộng lớn, xây dựng các đại diện phân tử phong phú trước khi nó thấy bất kỳ thí nghiệm LNP nào. Sau đó, nó bước vào một vòng khép kín với một nền tảng tổng hợp robot: dự đoán → tổng hợp → kiểm tra → cập nhật. Mỗi vòng thí nghiệm thực tế trong phòng thí nghiệm tinh chỉnh mô hình, sau đó đề xuất các ứng viên thông minh hơn cho vòng tiếp theo. Phòng thí nghiệm không chỉ xác thực các dự đoán của AI — nó còn đang tích cực dạy mô hình, liên tục. Điều gì đã xảy ra khi chúng tôi để nó hoạt động: LUMI-lab đã tự động tổng hợp và sàng lọc hơn 1,700 lipid có thể ion hóa trong các tế bào biểu mô phế quản người. Ứng viên hàng đầu — LUMI-6 — có một đuôi lipid brom hóa, một mô hình cấu trúc đã bị bỏ qua phần lớn trong thiết kế LNP. LUMI đã tìm thấy nó mà không cần được chỉ định nơi để tìm. Khi được hình thành thành LNP và được đưa vào phế quản của chuột, LUMI-6 đạt được hiệu quả chỉnh sửa gen 20.3% trong các tế bào biểu mô phổi — một kết quả thuyết phục cho một trong những mục tiêu điều trị khó tiếp cận nhất, liên quan trực tiếp đến các bệnh như xơ nang và thiếu hụt alpha-1 antitrypsin. Tại sao điều này quan trọng hơn LNPs: Đây là một bằng chứng về khái niệm cho một luận điểm rộng hơn — rằng việc đào tạo trước mô hình nền tảng + học chủ động + thí nghiệm robot có thể vượt qua nút thắt thiếu dữ liệu đang làm khó khăn cho việc phát hiện dựa trên AI trong sinh học. Bạn không cần một tập dữ liệu cụ thể lớn để bắt đầu. Bạn cần một mô hình có thể tổng quát, một phòng thí nghiệm có thể tạo ra dữ liệu đúng, và một vòng lặp kết nối chúng lại với nhau. Chúc mừng lớn đến các tác giả đầu tiên Yue Xu, @HAOTIANCUI1, và Kuan Pang, cùng với toàn bộ đội ngũ @BowenLi_Lab. Cảm ơn các cộng tác viên của chúng tôi tại @UHN và @UofTPharmacy, và Trung tâm Nghiên cứu Ung thư Princess Margaret @PMResearch_UHN. 📄 Bài báo: