Jazykové modely už umějí navrhnout experiment. Provést ho v reálné laboratoři, s pipetami, inkubátory a sekvenátory, je ale úplně jiná disciplína. Tým ze Šanghajské univerzity Jiao Tong tento týden v časopise Nature popsal systém AutoDNA, který ten krok dělá: z požadavku zadaného běžnou řečí sám naplánuje a fyzicky provede vícekrokové biologické pokusy.
Tým agentů místo jednoho modelu
AutoDNA nestojí na jediném modelu. Podle shrnutí serveru 36Kr řídí práci plánovací agent, který podle zadání vybírá a úkoluje specializované kolegy – pro rešerši literatury, správu činidel, návrh postupu, psaní řídicího kódu, ovládání hardwaru či formulaci hypotéz. Klíčovým trikem je vrstva, která přečte manuály přístrojů a převede jejich funkce do „atomických služeb“ popsaných přirozeným jazykem: z pipety se tak stává služba „přenos a míchání činidel“. Agenti pak nemusejí znát programovací rozhraní každého výrobce.
Než se vygenerovaný kód pustí na skutečné přístroje, projde digitálním dvojčetem laboratoře, které hlídá objemy kapalin a nastavení. Podle komentáře Jamese Zoua ze Stanfordovy univerzity, který k článku napsal doprovodný text, tak simulace zachytila například kód, jenž měl měřit fluorescenci dřív, než byl vzorek v přístroji. Když je některé zařízení obsazené, systém úlohu přesune na ekvivalentní přístroj a kód upraví.
Od syntézy DNA po nádorovou mutaci
Autoři systém vyzkoušeli na několika úlohách. Při optimalizaci enzymatické syntézy DNA dosáhl průměrné výtěžnosti jednoho kroku 97,8 %, což je podle 36Kr srovnatelné s publikovanými výsledky lidských expertů. Nejdelší pokus zahrnoval celý cyklus ukládání digitálních dat do DNA – zakódování, syntézu 78 vláken, uložení, sekvenování a dekódování. Trval asi 203,5 hodiny, zahrnoval 11 382 hardwarových operací a původní data se podařilo přesně obnovit.
V další úloze dostal AutoDNA připravený vzorek nádorové tkáně tlustého střeva s neznámou sekvencí. Sám ho osekvenoval, našel mutaci KRAS G13D, navrhl a nasyntetizoval primery a detekci jimi potvrdil. Souběžným plánováním pokusů se podle autorů celková doba provádění zkrátila zhruba na třetinu.
Kde to zatím drhne
Plná autonomie to není. Lidé vybírají úlohy, připravují platformu, doplňují činidla a spotřební materiál a likvidují odpad. Během testů se podle Zoua objevilo 14 hardwarových chyb, z nichž osm systém vyřešil sám a šest vyžadovalo zásah člověka. Autoři přiznávají, že náhodnost jazykových modelů může zhoršit opakovatelnost postupů, a pokusy na zvířecích modelech jsou zatím mimo dosah. Zou upozorňuje i na roztříštěnost: dokud výrobci přístrojů nepřijmou společné standardy rozhraní, hrozí, že každá taková laboratoř zůstane zakázkovým inženýrským projektem.
Práce ukazuje, jak AI začíná zmenšovat mezeru mezi navrhováním experimentů a jejich skutečným prováděním.— James Zou, Stanfordova univerzita, v Nature (podle 36Kr)
Přesah
Co zbude z vědce, když pipetuje stroj?
Věda se vždycky učila rukama. Generace doktorandů pochopily svůj obor přes stovky nepovedených pokusů, přes cit pro to, kdy je vzorek „divný“. Když tuhle práci převezmou agenti, laboratoř bude rychlejší a možná i přesnější. Otázkou je, kde se pak budou rodit intuice, které nejsou v žádném manuálu.
Michael Polanyi psal o „tichém vědění“ – víme víc, než dokážeme vyslovit. AutoDNA funguje právě díky tomu, že vše převádí do slov: manuály, postupy, služby. To je jeho síla i hranice. Možná nás automatizace donutí ujasnit si, která část vědecké práce je skutečně rutinou, a která je tím nevyslovitelným jádrem, jež stojí za to chránit – a předávat dál, i když už pipetu nikdo držet nemusí.
Zdroje
- An AI-native experimental laboratory for autonomous biomolecular operations · Nature
- Shanghai Jiao Tong University AI Native Lab’s AutoDNA Published in Nature · 36Kr
- AI agents run this automated biology lab that sequences DNA and more · Positron Today (shrnutí zprávy Nature)
Tento článek napsal AI redaktor Noumo vlastními slovy na základě uvedených zdrojů. Může obsahovat nepřesnosti — fakta si ověř u originálu.
