加速科學進步是 AI 最寶貴的價值之一。借助 GPR-5，已經(jīng)可以看到這一趨勢的早期現(xiàn)象——其幫助科研人員更快地瀏覽科學文獻，還支持新的科學推理形式。例如揭示意外的聯(lián)系、提出證明策略或建議合理的機制，供專家評估和測試。

迄今為止，進展最顯著的領域是數(shù)學、理論物理和理論計算機科學，這些領域中的想法可以在沒有物理實驗的情況下進行嚴格驗證。生物學則不同：大多數(shù)進展依賴于實驗室中的實驗執(zhí)行、迭代和實證驗證。

為了幫助理解前沿模型在這些環(huán)境中的行為，OpenAI 攜手生物安全初創(chuàng)公司 Red Queen Bio，共同構建了一個評估框架，用于測試模型在濕實驗環(huán)境中如何提出、分析和迭代想法。他們建立了一個簡單的分子生物學實驗系統(tǒng)，并讓 GPT?5 優(yōu)化分子克隆協(xié)議以提高效率。

在多次實驗輪次中，GPT?5 引入了一種新穎的機制，使克隆效率提高了 79 倍。該項目展示了人工智能如何與生物學家協(xié)同工作，以加速研究進程。改進實驗方法將有助于人類研究人員加快研究進度、降低成本，并將研究成果轉化為實際應用。

實驗結果

在團隊的設置下，GPT?5 自主地對克隆協(xié)議進行了推理，提出了修改建議，并結合新實驗的數(shù)據(jù)來推薦進一步的改進。唯一的人類干預是科學家執(zhí)行修改后的協(xié)議并上傳實驗數(shù)據(jù)。

在多輪實驗中，GPT?5 優(yōu)化了克隆流程，使效率提高了 79 倍以上——這意味著在輸入 DNA 量固定的情況下，團隊獲得了比基線協(xié)議多 79 倍的序列驗證克隆。GPT-5 出人意料地引入了兩種酶：大腸桿菌的重組酶 RecA，以及噬菌體 T4 基因 32 的單鏈 DNA 結合蛋白（gp32）。這兩種酶協(xié)同作用，gp32 負責平滑和解開松散的 DNA 末端，隨后 RecA 引導每條鏈找到其正確的配對。

圖示：GPT-5 優(yōu)化了克隆和轉化實驗方案，實現(xiàn)了>70 倍的性能提升。

盡管這些尚且屬于早期成果，但還是令實驗者們備受鼓舞。這些改進專為模型試驗中的特定克隆而存在，仍然需要人類科學家來設置和運行實驗方案。即便如此，這些實驗表明，人工智能系統(tǒng)可以有意義地輔助實際的實驗室工作，并可能在未來加速人類科學家的研究進程。

值得一提的是，實驗室使用了無人工干預的固定提示語，這種框架有助于揭示模型提出真正新穎的實驗方案變更的能力，而無需人類指導，但它也將系統(tǒng)限制在探索模式中，限制了其最大化新發(fā)現(xiàn)想法性能的能力。

團隊預計，計劃能力和任務時間范圍推理方面的進展將有助于提升簡單固定提示語支持發(fā)現(xiàn)和后續(xù)優(yōu)化的能力。

用于優(yōu)化現(xiàn)實世界實驗方案的進化框架

吉布森組裝反應自 2009 年發(fā)明以來一直是主要的克隆方法，在分子生物學中得到了廣泛應用。吉布森組裝使分子生物學家能夠通過短暫熔解 DNA 片段的末端，將它們「粘合」在一起，從而將匹配的序列密封成一個單一分子。

相關鏈接：https://www.nature.com/articles/nmeth.1318

吉布森組裝的一個主要優(yōu)勢是其簡便性：所有反應都在一個管中在一個溫度下完成。這些限制自然為改進留下了空間。此外，以下特性使其非常適合用于評估 AI 模型改進濕實驗技術的能力：

• 具有明確且可控的組分，不同于基于細胞的系統(tǒng)；
• 有明確的優(yōu)化目標：由固定量的線性 DNA 輸入生成的可轉化環(huán)狀 DNA；
• 相對較快的實驗周期（1-2 天）；
• 高維設計空間，需要進行機制推理以優(yōu)化：最佳緩沖液、試劑和溫度是相互依賴的。

實驗團隊以 New England Biolabs 開發(fā)的，基于 Gibson 組裝的專有酶系統(tǒng)作為優(yōu)化的起點，探討了在移除單步和等溫約束后，人工智能是否能夠從實驗反饋中進行創(chuàng)新和學習，并識別出該情境下的協(xié)議改進。

圖示：兩步克隆工作流程的初始優(yōu)化篩選：酶切組裝和轉化。

該模型提出了一種新的酶促方法，向反應中添加了兩種新的蛋白質：大腸桿菌的重組酶 RecA 和噬菌體 T4 基因 32 單鏈 DNA 結合蛋白（gp32），并對孵育溫度和時間以及酶添加時機進行了有意調整：建議在初始 50°C 的 HiFi 反應后添加 RecA 和 gp32，讓這些蛋白質在 37°C 下發(fā)揮作用，然后再回到 50°C 完成組裝。

這些修改一并作用，使得效率提升了 2.5 倍以上，而這僅代表在未對反應條件和時間進行迭代優(yōu)化時的初始性能。

在這些驗證實驗中，GPT?5 提出了一種結合了不常見的重組蛋白和反應動力學的解決方案。其底層機制可能具有模塊性，提供可在其他分子流程中被重新利用或組合的組件。團隊目前仍在探索改進的方向，以優(yōu)化實驗與純化結果。

此外，為了提高該模型實驗系統(tǒng)的通量，Robot on Rails 和 Red Queen Bio 合作構建了一個機器人系統(tǒng)，該系統(tǒng)可以接收自然語言克隆協(xié)議并將其在濕實驗環(huán)境中執(zhí)行。

這個系統(tǒng)集成了三個組件：

1. 一個將普通英語轉換為機器人操作的人機交互 LLM；
2. 一個實時識別和定位實驗器材的視覺系統(tǒng)；
3. 一個確定如何安全準確執(zhí)行每項操作的機器人路徑規(guī)劃系統(tǒng)。

這個機器人系統(tǒng)成功處理了需要多種物理操作的轉換過程：液體轉移與混合、樣品管移動、對細胞施加受控加熱以及將細胞鋪展到生長板上。與人工操作的轉換相比，機器人生成了質量相當?shù)臄?shù)據(jù)，并在基線基礎上實現(xiàn)了相當?shù)母倪M，顯示出在自動化和加速生物實驗優(yōu)化方面的早期潛力。

未來

OpenAI 表示，這些實驗提供了一個未來由人工智能加速的科學發(fā)展的快照：模型持續(xù)學習并與現(xiàn)實世界互動。盡管他們的實驗排除了人為干預以純粹地衡量模型的能力，但令人特別興奮的是人工智能能夠幫助人類科學家設計實驗并推動研究突破。

在研究者致力于安全、負責任地加速科學進步的同時，他們也努力評估和降低風險，特別是與生物安全相關的風險。模型可以在濕實驗環(huán)境中進行推理，改進實驗方案，其對生物安全的影響也正如準備框架中所描述的那樣。在模型和系統(tǒng)層面中，則需要構建必要且細致的安全保障措施，以降低風險，同時開發(fā)評估方法來予以監(jiān)測。

原文鏈接：https://openai.com/index/accelerating-biological-research-in-the-wet-lab/