Bem-vindo ao Laboratório do Futuro! 🧬🤖 Estamos entusiasmados em compartilhar o LUMI-lab, lançado hoje na @CellCellPress — uma plataforma autônoma que combina um modelo de fundação de IA com um laboratório robótico para descobrir de forma autônoma lipídios ionizáveis (LNPs) para entrega de mRNA. O problema central: projetar nanopartículas lipídicas (LNPs) é difícil. O espaço químico dos lipídios ionizáveis é vasto, os ciclos experimentais são lentos e — criticamente — os conjuntos de dados históricos de LNP são muito pequenos para treinar um modelo preditivo do zero. A maioria das abordagens de IA neste espaço encontra um obstáculo imediatamente: dados insuficientes para aprender. Nossa solução: aprendizado de modelo de fundação com laboratório em loop. Em vez de treinar apenas com dados de LNP, o LUMI começa como um modelo de fundação baseado em transformadores pré-treinado em um amplo espaço químico, construindo representações moleculares ricas antes de ver um único experimento de LNP. Em seguida, ele entra em um loop fechado com uma plataforma de síntese robótica: prever → sintetizar → ensaiar → atualizar. Cada rodada de experimentos reais em laboratório ajusta o modelo, que então propõe candidatos mais inteligentes para a próxima rodada. O laboratório não está apenas validando as previsões da IA — está ativamente ensinando o modelo, continuamente. O que aconteceu quando deixamos rodar: o LUMI-lab sintetizou e analisou de forma autônoma mais de 1.700 lipídios ionizáveis em células epiteliais brônquicas humanas. O principal candidato — LUMI-6 — apresenta uma cauda lipídica brominada, um motivo estrutural que havia sido amplamente negligenciado no design de LNP. O LUMI o encontrou sem ser instruído sobre onde procurar. Quando formulado em LNPs e entregue intratraquealmente a camundongos, o LUMI-6 alcançou uma eficiência de edição gênica de 20,3% em células epiteliais pulmonares — um resultado convincente para um dos alvos terapêuticos mais difíceis de alcançar, diretamente relevante para doenças como fibrose cística e deficiência de alfa-1 antitripsina. Por que isso importa além dos LNPs: isso é uma prova de conceito para uma tese mais ampla — que o pré-treinamento de modelo de fundação + aprendizado ativo + experimentação robótica pode superar o gargalo da escassez de dados que atormenta a descoberta impulsionada por IA na biologia. Você não precisa de um enorme conjunto de dados específico de domínio para começar. Você precisa de um modelo que possa generalizar, de um laboratório que possa gerar os dados certos e de um loop que os conecte. Grandes parabéns aos primeiros autores Yue Xu, @HAOTIANCUI1 e Kuan Pang, e a toda a equipe do @BowenLi_Lab. Agradecemos aos nossos colaboradores da @UHN e @UofTPharmacy, e ao Centro de Pesquisa do Câncer Princess Margaret @PMResearch_UHN. 📄 Artigo: