Закрытая система выдвигала биологические предположения, планировала эксперименты и анализировала результаты
Исследователи из Швеции и Великобритании разработали систему, способную самостоятельно выполнять значительную часть процесса биологического исследования: формулировать гипотезы, разрабатывать эксперименты, передавать инструкции роботизированной лаборатории и учитывать полученные результаты при выборе следующих экспериментов. Систему протестировали на дрожжах Saccharomyces cerevisiae и выявили несколько ранее не описанных взаимодействий между аминокислотами и химическими стрессорами.
Основой системы стало создание гипотез с помощью ИИ-модели. Сначала учёные собрали базу данных, содержащую почти 60 тысяч фактов о дрожжах — взаимосвязи между генами, химическими веществами и наблюдаемыми характеристиками. Алгоритм поиска закономерностей выявлял в ней устойчивые связи и затем сопоставлял их с экспериментальными данными. В итоге система сформировала 1933 проверяемых предсказания о влиянии 16 аминокислот на устойчивость дрожжей к различным химическим воздействиям.
Далее в процесс были вовлечены несколько ИИ-агентов. Один на основе GPT-4o разрабатывал план эксперимента, второй выбирал наиболее подходящий вариант, а третий преобразовывал его в инструкции для лабораторного оборудования. Роботы смешивали вещества, культивировали культуры около 20 часов и измеряли изменения роста и концентрации веществ внутри клеток. Каждый вариант проверяли на десяти отдельных культурах, а результаты заносили в общую базу данных вместе с гипотезами и планами экспериментов.
Некоторые предсказания подтвердились. Например, система предположила, что аргинин усилит действие кофеина: отдельно аргинин лишь немного снижал рост дрожжей, а кофеин уменьшал его более чем на половину, тогда как совместное воздействие оказалось более значительным. Другой результат продемонстрировал, что глутамат повышает чувствительность дрожжей к сперминy. Авторы считают это взаимодействие недостаточно изученным и предполагают, что непосредственный эффект может быть связан не с самим глутаматом, а с веществом, образуемым клеткой из него.
Особенно примечателен другой случай. Первоначальные предсказания системы не всегда оказывались верными: например, добавление лизина должно было ухудшить устойчивость дрожжей к высокой концентрации сахара, однако вместо этого вещество заметно защищало клетки. Аналогично, для муравьиной кислоты система получила несколько неспецифических результатов, когда контрольное вещество действовало не слабее проверяемой аминокислоты. Исследователи не стали считать такие результаты подтверждением исходных гипотез.
При этом система смогла использовать неудачные эксперименты для следующего шага.
Полностью автономной лаборатория пока что не стала. Люди по-прежнему готовили исходные растворы, переносили часть планшетов между несвязанными установками и проверяли планы экспериментов на безопасность. Тем не менее выбор гипотез и разработка большинства экспериментальных процедур могли выполняться без участия человека. Все гипотезы, эксперименты и результаты сохранялись в структурированной базе данных, благодаря чему система могла обнаружить, что один из предполагаемых опытов уже фактически был проведён в рамках предыдущего эксперимента и не тратить на него ресурсы.
Авторы подчеркивают, что пока речь идет о простых гипотезах и одном виде дрожжей. Система ещё не заменяет учёных, но эксперимент иллюстрирует другой подход к автоматизации науки: ИИ здесь не просто помогает составить протокол или обработать результаты, а становится частью замкнутого экспериментального цикла, в котором результат одного эксперимента определяет, над чем работать дальше.
Источник