Vítejte v Laboratoři budoucnosti! 🧬🤖 S nadšením představujeme LUMI-lab, který dnes vychází v @CellCellPress — samořídící platformu, která spojuje základní model AI s robotickou laboratoří, aby autonomně objevovala ionizovatelné lipidy (LNP) pro doručování mRNA. Hlavní problém: Návrh lipidových nanočástic (LNP) je obtížný. Chemický prostor ionizovatelných lipidů je rozsáhlý, experimentální cykly jsou pomalé a — což je zásadní — historické LNP datové sady jsou příliš malé na to, aby se dalo trénovat prediktivní model od nuly. Většina AI přístupů v této oblasti narazí na překážku: není dostatek dat k učení. Naše řešení: základní modelové učení laboratoří v cyklu. Místo tréninku pouze na LNP datech začíná LUMI jako transformátorový základní model předtrénovaný napříč širokým chemickým prostorem, budující bohaté molekulární reprezentace ještě předtím, než vůbec uvidí jediný LNP experiment. Poté vstupuje do uzavřené smyčky s robotickou syntetizační platformou: předpovídat → syntetizovat → testovat → aktualizovat. Každé kolo skutečných experimentů v mokré laboratoři model dolaďuje, který pak navrhuje chytřejší kandidáty pro další kolo. Laboratoř nejenže ověřuje AI předpovědi — aktivně model učí průběžně. Co se stalo, když jsme to nechali běžet: LUMI-lab autonomně syntetizoval a screenoval 1 700+ ionizovatelných lipidů v lidských bronchiálních epitelových buňkách. Hlavní kandidát — LUMI-6 — má bromovaný lipidový ocas, strukturální motiv, který byl při návrhu LNP většinou přehlížen. LUMI ho našla, aniž by mu bylo řečeno, kde hledat. Po formulaci do LNP a intratracheálním podání myším dosáhl LUMI-6 20,3% účinnosti editace genů v plicních epitelových buňkách — což je přesvědčivý výsledek pro jeden z nejtěžše dosažitelných terapeutických cílů, přímo související s nemocemi jako cystická fibróza a deficit alfa-1 antitrypsinu. Proč je to důležité i mimo LNP: Toto je důkaz konceptu širší teze — že základní předtrénování + aktivní učení + robotické experimentování může překonat úzké hrdlo nedostatku dat, které trápí objevování v biologii řízené umělou inteligencí. Na začátek nepotřebujete obrovskou doménově specifickou datovou sadu. Potřebujete model, který umí zobecňovat, laboratoř, která dokáže generovat správná data, a smyčku, která je propojí. Obrovské gratulace prvním autorům Yue Xu, @HAOTIANCUI1 a Kuan Pangovi a celému týmu @BowenLi_Lab. Děkujeme našim spolupracovníkům v @UHN a @UofTPharmacy a výzkumné @PMResearch_UHN Centra pro rakovinu princezny Margaret. 📄 Článek: