В рамках совместного проекта OpenAI и технологической платформы Ginkgo Bioworks было продемонстрировано, как нейросеть GPT-5 способна автономно координировать работу роботизированной лаборатории, оптимизируя сложные биохимические процессы в режиме реального времени. Применение ИИ позволило сократить издержки на бесклеточный синтез белков на 40%, превзойдя все ранее зафиксированные показатели эффективности.
Интеграция осуществлялась через подключение GPT-5 к облачной инфраструктуре Ginkgo Bioworks — автоматизированному комплексу, где роботы проводят «мокрые» биологические тесты, передавая результаты через программный интерфейс. Модель самостоятельно проектировала алгоритмы экспериментов, а после их завершения анализировала полученные массивы данных для планирования следующих итераций в замкнутом цикле.
В качестве экспериментальной базы был выбран метод бесклеточного синтеза белков (cell-free protein synthesis, CFPS). Данная технология позволяет производить белковые соединения без культивации живых клеток, используя реакционную смесь из клеточного лизата, ДНК-шаблона и набора биохимических компонентов. CFPS признан ключевым инструментом для оперативного прототипирования в современной биотехнологии.
За шесть циклов автономной работы система проанализировала более 36 000 вариаций химических составов на 580 планшетах. Располагая доступом к вычислительным мощностям и научным публикациям, GPT-5 потребовалось всего три раунда исследований и около двух месяцев времени, чтобы установить рекорд: общая стоимость синтеза снизилась на 40%, а расходы непосредственно на реагенты — на 57%.
Исследователи подчеркивают, что масштаб опытов критически важен для биологической науки, где результаты единичных тестов часто искажаются фоновым шумом. Высокая интенсивность повторений позволила ИИ выявить неочевидные закономерности и отсеять случайные погрешности. В итоге модель сформировала уникальные комбинации компонентов, сохраняющие высокую продуктивность в условиях потоковой автоматизации.
Особое внимание в работе уделено адаптации процессов к специфике микропланшетов. В отличие от ручного синтеза, автоматизированные форматы характеризуются меньшим объемом среды, ограниченным доступом кислорода и спецификой перемешивания, что обычно негативно сказывается на выходе продукта. GPT-5 удалось подобрать составы, устойчивые к этим факторам, включая варианты, эффективно работающие в условиях низкой аэрации.
Кроме того, ИИ обнаружил, что незначительная корректировка концентрации полиаминов, буферных систем и механизмов регенерации энергии дает колоссальный прирост производительности при минимальных затратах. Подобные тонкие настройки редко становятся объектом внимания при ручной оптимизации, однако системный перебор в высокопроизводительной среде позволил превратить их в мощный рычаг эффективности.
Структурный анализ затрат подтвердил, что основная финансовая нагрузка ложится на закупку ДНК и лизата. Следовательно, наиболее действенным методом удешевления является максимизация выхода белка на единицу этих дорогостоящих ресурсов. Такой подход обеспечивает гораздо более ощутимый экономический эффект, чем точечная экономия на вспомогательных реактивах.
На текущем этапе испытания проводились на модельном белке sfGFP в рамках одной технологической платформы, поэтому возможность масштабирования метода на другие системы требует дополнительной проверки. Разработчики также отмечают, что полноценное функционирование лаборатории всё еще требует экспертного контроля за протоколами и безопасностью. В перспективе планируется внедрение подобных самообучающихся циклов в иные области биоинженерии с обязательным мониторингом рисков в сфере биобезопасности.
Источник: iXBT
