GPT‑5 снижает стоимость бесклеточного синтеза белка05.02.2026 11:00

Мы наблюдали стремительный прогресс ИИ в таких областях, как математика и физика, где идеи часто можно оценивать без взаимодействия с физическим миром. В биологии всё иначе. Происходящее завязано на лабораторию, где ученые проводят эксперименты, требующие времени и денег.

Ситуация начинает меняться. Передовые модели теперь могут напрямую подключаться к лабораторной автоматизации, предлагать эксперименты, проводить их в больших масштабах, учиться на результатах и принимать решения о дальнейших шагах. Во многих областях наук о жизни узким местом является цикличность итераций, и автономные лаборатории созданы для устранения этого ограничения.

В предыдущих исследованиях мы показали, что GPT-5 способна совершенствовать протоколы «мокрых» лабораторий с помощью экспериментов по замкнутому циклу. Здесь мы демонстрируем, что тот же подход позволяет снизить стоимость производства белков.

Мы объединили усилия с Ginkgo Bioworks⁠, чтобы подключить GPT-5 к облачной лаборатории — автоматизированной «мокрой» лаборатории, управляемой удаленно с помощью программного обеспечения, где роботы выполняют эксперименты и возвращают данные. Эту схему с лабораторией в контуре управления мы использовали для оптимизации широко распространенного биологического процесса: бесклеточного синтеза белка (CFPS). За шесть раундов экспериментов по замкнутому циклу система протестировала более 36 000 уникальных составов реакций CFPS на 580 автоматизированных планшетах. Получив доступ к компьютеру, веб-браузеру и профильным научным статьям, GPT-5 потребовалось три раунда экспериментов, чтобы установить новый рекорд в области недорогого CFPS: ей удалось снизить стоимость производства белка на 40% (а стоимость реагентов — на 57%), включая разработку новых составов реакций, которые более устойчивы к условиям, типичным для автономных лабораторий.

Бесклеточный синтез белка (CFPS) — это метод получения белков без выращивания живых клеток. Вместо того чтобы вводить ДНК в клетки и ждать, пока они произведут белок, CFPS запускает аппарат белкового синтеза в контролируемой смеси. Это делает метод практичным инструментом для быстрого прототипирования и тестирования, поскольку ученые могут проводить множество экспериментов и оценивать результаты в тот же день.

Белки играют важнейшую роль в современной биологии. На основе белков создаются многие важнейшие лекарства. От белков зависят многие диагностические и исследовательские методы анализа. В промышленности белки действуют как ферменты, делающие химические процессы более экологичными и эффективными. Белки содержатся даже в вашем стиральном порошке. Когда производство белков становится быстрее и дешевле, ученые могут тестировать больше идей и быстрее превращать ранние исследования в пользу для людей.

CFPS уже полезен для такого рода итераций. Узкое место заключается в том, что его сложно оптимизировать и он становится дорогим при масштабировании.

Бесклеточный синтез белка требует сложных взаимодействующих компонентов: матрицы ДНК, кодирующей целевой белок, клеточного лизата (бульона из клеточных компонентов внутренней среды клеток) и большого числа биохимических элементов — от источников энергии до солей. Моделировать такую систему в целом невероятно сложно, и в многих⁠предыдущих⁠исследованиях⁠ уже применялись различные типы машинного обучения для снижения стоимости производства белка.

Стандартные составы для бесклеточного синтеза белка (CFPS) и коммерческие наборы часто рассчитаны на темп работы человека. Автономные лаборатории могут проводить тысячи реакций за то время, пока группа исследователей-людей справляется лишь с дюжиной. При таком масштабе стоимость реагентов становится главным лимитирующим фактором.

CFPS также трудно оптимизировать исключительно с помощью интуиции. Это смесь множества взаимодействующих компонентов. Небольшие изменения могут иметь значение, но направление эффекта не всегда очевидно, а лучшие комбинации бывает трудно найти без проведения огромного количества экспериментов. Предыдущие подходы позволяли снижать затраты, но прогресс, как правило, носил постепенный характер, поскольку детальное исследование пространства параметров требует больших трудозатрат.

Мы объединили GPT-5 с облачной лабораторией Ginkgo Bioworks для создания автономной системы замкнутого цикла с целью оптимизации бесклеточного синтеза белка (CFPS).

GPT-5 проектировала серии экспериментов. Лаборатория выполняла их. Результаты возвращались модели. Модель использовала эти данные для планирования следующего раунда. Мы повторяли этот цикл шесть раз.

Чтобы удерживать цикл в рамках возможностей автономной лаборатории, мы добавили строгую программную валидацию перед запуском каждого эксперимента. Такая проверка гарантировала, что эксперименты, разработанные ИИ, физически выполнимы на платформе автоматизации. Это предотвращало появление «бумажных экспериментов», которые выглядят правдоподобно в тексте, но не могут быть реализованы в роботизированном рабочем процессе.

В ходе всего цикла система выполнила более 36 000 реакций CFPS на 580 автоматизированных планшетах. Такой масштаб важен, потому что именно он позволяет выявлять закономерности. В биологии единичные эксперименты сопровождаются высоким уровнем шума. Пропускная способность и итеративность — это то, что позволяет отделить полезный сигнал от случайного шума. Как только GPT-5 получила доступ к соответствующей статье и инструментам, ей потребовалось три раунда экспериментов и два месяца, чтобы установить новый рекорд: стоимость производства белка оказалась на 40% ниже по сравнению с лучшим предыдущим базовым показателем⁠.

Мы обнаружили, что улучшения были достигнуты благодаря выявлению комбинаций, которые хорошо работают вместе и подтверждают свою эффективность в реалиях высокопроизводительной автоматизации.

Мы выяснили, что GPT-5 определила недорогие составы реакций, которые люди ранее не тестировали в такой конфигурации. Бесклеточный синтез белка (CFPS) изучается годами, но пространство возможных смесей по-прежнему велико. Когда вы можете быстро предлагать и выполнять тысячи комбинаций, вы можете находить работающие области, которые легко упустить при ручном рабочем процессе.

Мы также обнаружили, что высокопроизводительные планшетные эксперименты часто отличаются от ручных настольных экспериментов. Оксигенация в форматах с высокой пропускной способностью может быть ниже. Перемешивание и геометрия могут отличаться. Большинство реакций CFPS производят гораздо больше белка в пробирках, чем в планшетах для микротитрования, поскольку большие масштабы обычно обеспечивают лучшую доступность кислорода и перемешивание. Фактически, для планшетных реакций с малым объемом GPT-5 предложила множество вариантов, которые превзошли прежние лучшие показатели сразу после получения доступа к компьютеру для анализа данных и веб-браузеру для поиска профильных статей. В целом GPT-5 предложила множество комбинаций реагентов, которые хорошо зарекомендовали себя в условиях высокой пропускной способности, в том числе те, которые более устойчивы к условиям пониженного кислорода, типичным для автоматизированных лабораторий.

Кроме того, мы выяснили, что небольшие изменения в буферных растворах, компонентах регенерации энергии и полиаминах оказали непропорционально сильное влияние по сравнению с их стоимостью. Это не всегда те параметры, к которым исследователи обращаются в первую очередь, но при высокой пропускной способности они становятся проверяемыми гипотезами, а не фоновыми допущениями.

Наконец, сама структура затрат определяла то, что действительно имеет значение. В CFPS затраты теперь в основном определяются лизатом и ДНК. Это означает, что выход продукта — стратегия с наибольшим рычагом воздействия. Если удается повысить выход белка на единицу дорогого сырья, вы добиваетесь значительного прогресса в снижении затрат еще до того, как начнете гоняться за маргинальной экономией в других местах.

Эти результаты были продемонстрированы на одном белке (sfGFP) и одной системе бесклеточного синтеза белка (CFPS). Возможность обобщения на другие белки и другие системы CFPS еще предстоит показать.

Оксигенация и геометрия реакции могут существенно влиять на выход продукта, и эти факторы могут меняться в зависимости от масштаба. Некоторые улучшения могут зависеть от этих условий, и понимание такой чувствительности — задача для будущих исследований.

Для улучшения протоколов и работы с реактивами потребовался контроль со стороны человека. Система способна разрабатывать и интерпретировать эксперименты, однако лабораторная работа по-прежнему включает в себя практические нюансы, требующие участия опытных специалистов.

Мы планируем применить циклическую оптимизацию на базе лаборатории («lab-in-the-loop») к другим биологическим рабочим процессам, где ускорение итераций может обеспечить прогресс. Мы рассматриваем автономные лаборатории как дополнение к моделям. Модели могут создавать проекты, но в конечном счете биология все равно требует тестирования и итераций. Замкнутый цикл между генерацией и экспериментированием — это то, как перспективные идеи претворяются в работающие результаты.

Стремясь безопасно и ответственно ускорять научный прогресс, мы также стремимся оценивать и снижать риски, особенно те, которые связаны с биобезопасностью. Полученные результаты показывают, что модели способны рассуждать в условиях «мокрой» лаборатории для совершенствования протоколов, и это может иметь последствия для биобезопасности, которые мы оцениваем и минимизируем в рамках нашей Концепции готовности (Preparedness Framework)⁠. Мы берем на себя обязательство создавать необходимые и продуманные средства защиты на уровне моделей и систем для снижения этих рисков, а также разрабатывать методы оценки для отслеживания текущего уровня.

Мы выражаем признательность нашим партнерам из компании Ginkgo Bioworks и командам, которые помогали проектировать, запускать и поддерживать автоматизированную облачную лабораторию, лежащую в основе этой работы.

Автор