Исследование
OpenAI и Ginkgo Bioworks показывают, как ИИ может ускорять научные открытия
Новое сотрудничество между OpenAI и компанией синтетической биологии Ginkgo Bioworks привело к созданию инструмента для проектирования белков, который сократил годы экспериментальной работы до нескольких недель. Это образец того, как ИИ преобразует научные исследования.
Автор: Лео У ·
Когда Ginkgo Bioworks нужно было разработать новый фермент, способный разлагать определённый класс промышленных загрязнителей, традиционный подход включал бы годы пошаговой экспериментальной работы: предложение кандидатов белковых последовательностей, их синтез, проверка активности и использование результатов для информирования следующего раунда разработки. Этот процесс дорогой, медленный и по сути ограничен пропускной способностью лабораторных экспериментов.
Работая с исследовательской командой OpenAI, компания Ginkgo завершила аналогичный процесс разработки примерно за шесть недель. Сотрудничество привело к созданию инструмента проектирования белков, который сочетает возможности крупной языковой модели OpenAI с собственными биологическими данными Ginkgo — результатом многолетних экспериментов по высокопроизводительному синтезу и характеристике белков — для прогнозирования того, какие последовательности белков, вероятно, будут обладать желаемыми функциональными свойствами до проведения любого физического синтеза.
Этот инструмент не является универсальной системой проектирования белков. Он специально оптимизирован для класса ферментов, с которыми Ginkgo работает наиболее часто, обучен на данных, отражающих конкретную экспериментальную направленность компании. Но в этой области его производительность впечатляет: в тестах слепой валидации белки, выбранные системой ИИ, показывали желаемую активность примерно в четыре раза чаще, чем белки, выбранные опытными исследователями-человеками с использованием традиционных вычислительных инструментов.
Мы не заменяем биологию. Мы сокращаем цикл итераций. Вместо того чтобы провести 500 экспериментов, чтобы найти 5 удачных, мы проводим 50 экспериментов, чтобы найти 5 удачных. Это улучшение эффективности в 10 раз, и оно накапливается в каждом проекте.
Джейсон Келли, генеральный директор, Ginkgo Bioworks
Сотрудничество является одним из нескольких высокопрофильных примеров применения ИИ для ускорения научных открытий в биологии. AlphaFold 3 от DeepMind трансформировала структурную биологию, предсказывая структуры белков с почти экспериментальной точностью. Recursion Pharmaceuticals использовала ИИ для определения кандидатов на препараты, которые были бы упущены при обычных методах скрининга. Insilico Medicine продвинула молекулы препаратов, разработанные с помощью ИИ, через клинические испытания. Работа Ginkgo-OpenAI добавляет к этому растущему числу доказательств того, что ИИ может значительно ускорять темпы биологических исследований.
То, что отличает сотрудничество с Ginkgo, — это его сосредоточенность на цикле «проектировать–создавать–тестировать–изучать», лежащем в основе большинства экспериментальных биологических исследований. Вместо того чтобы просто предсказывать свойства известных белков — задача, в которой системы ИИ сейчас преуспевают, — этот инструмент предназначен для генерации новых последовательностей белков, которые, как предполагается, будут обладать желаемыми свойствами. Это более сложная задача, и результаты соответственно более неопределенные, но потенциальное влияние также больше.
Сотрудничество также демонстрирует важность данных, специфичных для определённой области. Общие возможности языковой модели OpenAI обеспечили архитектурную основу, но эффективность инструмента критически зависит от собственных экспериментальных данных Ginkgo. Это создаёт конкурентную динамику, которая будет формировать ландшафт AI в науке на годы вперёд: компании и научно-исследовательские учреждения, накопившие наибольшее количество высококачественных экспериментальных данных, будут в лучшем положении для создания наиболее мощных AI-инструментов в своих областях.
Для более широкой научной общественности сотрудничество Ginkgo-OpenAI поднимает важные вопросы о доступе и справедливости. Если самые мощные инструменты ИИ для биологических исследований являются проприетарными системами, построенными на проприетарных данных, преимущества науки, ускоренной с помощью ИИ, могут в основном достаться хорошо финансируемым коммерческим организациям, а не академическим исследователям или ученым из стран с низким уровнем дохода. Несколько академических групп работают над открытыми альтернативами, но они сталкиваются с фундаментальным недостатком в количестве и качестве доступных им учебных данных.
Существуют риски того, что мы окажемся с двухуровневой научной экосистемой — одной, в которой хорошо финансируемые компании могут использовать ИИ для сжатия многолетних исследований в несколько недель, и другой, где академические лаборатории продолжают работать по старинке, потому что не могут позволить себе такие инструменты.
Профессор вычислительной биологии, Калифорнийский университет в Беркли
Ginkgo и OpenAI заявили, что планируют опубликовать методологию, лежащую в основе их сотрудничества, хотя конкретные данные для обучения и веса модели останутся закрытыми. Является ли это достаточным вкладом в научное сообщество, - вопрос, который исследовательское сообщество будет обсуждать еще долго.