編輯丨%

過去，科學的相關領域已經見證過數學、物理等領域快速發展的 AI，這些領域下的想法往往可以在不涉及物理世界的情況下被評估。但生物學則不同。它需要在實驗室內不斷推進，這其中需要消耗科學家大量的時間與預算。

好在這種情況有所改善。Frontier 模型現在可以直接連接實驗室自動化，提出實驗方案，大規模運行，從結果中學習，并決定下一步行動。在生命科學的許多領域，瓶頸是迭代，自主實驗室的建設正是為了消除這一限制。

在早期的研究中 ，OpenAI 展示了 GPT-5 能夠改進濕實驗室流程通過閉環實驗。而現在，他們以同樣的方法展示了如何降低蛋白質生產成本。

相關鏈接：https://openai.com/zh-Hans-CN/index/accelerating-biological-research-in-the-wet-lab/

OpenAI 與 Ginkgo 生物工廠將 GPT-5 連接到云實驗室——一個通過軟件遠程運行的自動化濕實驗室，機器人執行實驗并返回數據——并利用這種實驗室在環路的配置優化了廣泛使用的生物過程：無細胞蛋白合成（CFPS）。

圖 1：Ginkgo 官網。

經過六輪閉環實驗，系統在 580 個自動化板塊上測試了超過 36,000 種獨特的 CFPS 反應組。在獲得計算機、網頁瀏覽器和相關論文訪問權限后，GPT-5 經過三輪實驗，確立了低成本 CFPS 的新技術水平，實現了蛋白質生產成本降低 40%（試劑成本提升 57%），包括對自主實驗室常見反應條件更具穩健性的新型反應組分。

游細胞蛋白合成

游細胞蛋白合成（CFPS）是一種無需培養活細胞即可制造蛋白質的方法。CFPS 不是將 DNA 放入細胞等待它們產生蛋白質，而是在受控的混合物中運行蛋白質制造機制。這使得它成為快速原型制作和測試的實用工具，科學家得以快速進行多個實驗，并在當天測量結果。

而無細胞蛋白合成需要復雜且相互作用的成分：編碼被造蛋白的 DNA 模板、細胞裂解液（細胞內部的細胞機制混合物），以及大量生化成分，從能源來源到鹽類。要對整個系統進行理性分析極其困難，而且許多不同的制作工藝應用了不同類型的機器學習以降低蛋白質生產成本。

標準的無細胞蛋白合成（CFPS）制劑和商業試劑盒通常定價適合人類配速工作。自主實驗室可以在人類團隊運行數十次的時間內運行數千種反應。在那個規模下，試劑成本成為限制因素。

CFPS也很難僅靠直覺優化。它是許多相互作用成分的混合。細微的變化可能很重要，但效果的方向并不總是明顯的，而且最好的組合往往很難找到，除非做大量實驗。以往的方法降低了成本，但進展往往是漸進式的，因為徹底探索空間需要大量勞動。

將 GPT-5 與機器人實驗室連接起來

OpenAI 將 GPT-5 與 Ginkgo 的云實驗室結合，構建了一個閉環自治系統，用于游細胞蛋白合成（CFPS）優化。GPT-5 設計了一批實驗，交予實驗室處理，并把結果反饋給模型。模型利用這些數據提出了下一輪。該循環共計重復六次。

圖 2：AI 驅動的自主實驗室。

為了讓環路扎實于自主實驗室的能力，OpenAI 在任何實驗運行前都加入了嚴格的程序驗證。該驗證確保 AI 設計的實驗在自動化平臺上是可物理執行的。它阻止了那些在文字中看似合理但無法在機器人工作流程中完成的“紙上實驗”。

在整個運行過程中，系統在 580 個自動化板塊上執行了超過 36,000 次 CFPS 反應。在生物學中，單一實驗具有較大噪聲干擾，為了將信號與隨機噪聲分開，需要引入吞吐量和迭代。一旦 GPT-5 獲得了相關論文和工具，經過三輪實驗和兩個月的時間，就建立了新的技術水平：蛋白質生產成本比最佳先前基線降低了 40%。

圖 3：Ginkgo 的可重構自動化卡帶。

一些發現

OpenAI 發現這些改進來自于高效高質量的識別協同且在高通量自動化現實中經得起考驗的組合。

此外，他們還發現：

• GPT-5 識別出了人類此前未曾在此配置中測試過的低成本反應組成；
• 高通量、基于板的實驗通常與手動的臺式實驗不同；
• 緩沖、能量再生成分和聚胺的微小變化相對于其成本影響更大；
• 成本結構本身決定了什么才是關鍵。

不過，這些結果只在一種蛋白質、sfGFP和一種游細胞蛋白合成（CFPS）系統上得到了驗證。仍需證明其推廣到其他蛋白質及其他CFPS系統。含氧和反應幾何形狀會強烈影響產率，這些因素在不同尺度上也可能有所影響。有些改善可能對這些條件敏感，理解這些敏感性是接下來要做的部分。

相關鏈接：https://openai.com/index/gpt-5-lowers-protein-synthesis-cost/