Исследования
OpenAI и Ginkgo Bioworks показывают, как ИИ может ускорить научные открытия
Новое сотрудничество между OpenAI и компанией в области синтетической биологии Ginkgo Bioworks привело к созданию инструмента для проектирования белков, который сжал бы годы экспериментальной работы в недели. Это шаблон того, как ИИ преобразит научные исследования.
Автор: Лео В ·
Когда Ginkgo Bioworks потребовалось разработать новый фермент, способный разлагать определенный класс промышленных загрязнителей, традиционный подход включал бы годы итеративной экспериментальной работы: предложение кандидатных последовательностей белков, их синтез, тестирование их активности и использование результатов для информирования следующего этапа проектирования. Этот процесс дорогой, медленный и по своей сути ограничен производительностью экспериментов в лаборатории.
Работая с исследовательской командой OpenAI, компания Ginkgo завершила аналогичный процесс проектирования примерно за шесть недель. Сотрудничество привело к созданию инструмента проектирования белков, который объединяет возможности большой 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 системой для общего проектирования белков. Он специально оптимизирован для класса ферментов, с которым Ginkgo работает чаще всего, и обучен на данных, отражающих конкретную экспериментальную направленность компании. Но в рамках этой области его эффективность впечатляет: в тестах с закрытой валидацией белки, выбранные ИИ-системой, демонстрировали желаемую активность примерно в четыре раза чаще, чем белки, выбранные опытными исследователями с использованием обычных вычислительных инструментов.
Мы не заменяем биологию. Мы сжимаем цикл итераций. Вместо того чтобы проводить 500 экспериментов, чтобы найти 5 успешных, мы проводим 50 экспериментов, чтобы найти 5 успешных. Это в 10 раз повышает эффективность, и эффект накапливается в каждом проекте.
Джейсон Келли, генеральный директор, Ginkgo Bioworks
Сотрудничество является одним из нескольких известных примеров применения ИИ для ускорения научных открытий в биологии. AlphaFold 3 от DeepMind преобразовал структурную биологию, предсказывая структуры белков с почти экспериментальной точностью. Recursion Pharmaceuticals использовала ИИ для выявления кандидатов на лекарства, которые были бы упущены при традиционных методах скрининга. Insilico Medicine продвинула разработанные с помощью ИИ молекулы лекарств через клинические испытания. Работа Ginkgo-OpenAI добавляет свидетельства в пользу того, что ИИ может значительно ускорять темпы биологических исследований.
То, что отличает сотрудничество с Ginkgo, — это его фокус на цикле проектирования, создания, тестирования и обучения, который лежит в основе большей части экспериментальной биологии. Вместо того чтобы просто предсказывать свойства известных белков — задача, в которой системы ИИ сейчас достигают больших успехов — инструмент предназначен для создания новых последовательностей белков, которые, как предполагается, будут обладать желаемыми свойствами. Это более сложная задача, и результаты соответственно более неопределенны, но потенциальное влияние также значительно.
Сотрудничество также иллюстрирует важность данных, специфичных для определённой области. Возможности общей языковой модели OpenAI обеспечили архитектурную основу, но производительность инструмента во многом зависит от собственных экспериментальных данных Ginkgo. Это создаёт конкурентную динамику, которая будет формировать ландшафт ИИ в науке на многие годы вперёд: компании и научно-исследовательские учреждения, накопившие наибольшее количество высококачественных экспериментальных данных, будут в наилучшей позиции для создания самых мощных ИИ-инструментов в своих областях.
Для широкой научной общественности сотрудничество Ginkgo-OpenAI поднимает важные вопросы о доступе и равенстве. Если самые мощные инструменты ИИ для биологических исследований являются проприетарными системами, построенными на проприетарных данных, выгоды науки, ускоренной с помощью ИИ, могут приносить преимущественно хорошо финансируемым коммерческим структурам, а не академическим исследователям или ученым в странах с низким уровнем дохода. Несколько академических групп работают над альтернативами с открытым исходным кодом, но они сталкиваются с фундаментальным недостатком в количестве и качестве доступных для них учебных данных.
Риск заключается в том, что мы окажемся с двухуровневой научной экосистемой — одной, где хорошо финансируемые компании могут использовать ИИ, чтобы сжать годы исследований в недели, и другой, где академические лаборатории по-прежнему ведут науку по старинке, потому что не могут позволить себе эти инструменты.
Профессор вычислительной биологии, Калифорнийский университет в Беркли
Ginkgo и OpenAI указали, что планируют опубликовать методологию, лежащую в основе сотрудничества, хотя конкретные данные для обучения и веса модели останутся собственностью. Вопрос о том, представляет ли это собой достаточный вклад в научное сообщество, будет обсуждаться исследовательским сообществом еще некоторое время.