Система ИИ теперь может участвовать в полном исследовательском цикле: от выдвижения гипотезы до выбора того, что проверять после эксперимента. Ей по-прежнему нужны люди, которые готовят растворы и перемещают часть лабораторного оборудования, и это полезное напоминание: слово «автономный» часто подразумевает человеческую погрузочную бригаду.
От базы данных к проверяемым прогнозам
Исследователи из Швеции и Великобритании создали систему, чтобы изучать, как аминокислоты влияют на дрожжи Saccharomyces cerevisiae при химическом стрессе. Отправной точкой стала база данных почти из 60 000 фактов о дрожжах, включая связи между генами, химическими веществами и наблюдаемыми признаками.
Алгоритм поиска закономерностей использовал эти факты вместе с экспериментальными данными и получил 1 933 проверяемых прогноза. Они охватывали влияние 16 аминокислот на устойчивость дрожжей к разным химическим стрессорам.
Затем несколько ИИ-агентов взяли на себя части планирования эксперимента. Один, на базе GPT-4o, составил план эксперимента. Второй выбрал подходящий план, а третий превратил его в инструкции для лабораторного оборудования.
Роботы проверили идеи
Роботы смешивали вещества, выращивали культуры дрожжей около 20 часов и измеряли изменения роста и концентраций химических веществ внутри клеток. Каждое экспериментальное условие проверяли на десяти отдельных культурах. Система сохраняла гипотезы, планы и результаты в общей структурированной базе данных.
Часть прогнозов подтвердилась. Система предсказала, что аргинин усилит действие кофеина. Сам по себе аргинин лишь слабо влиял на рост дрожжей, тогда как кофеин снижал рост более чем наполовину. Вместе они давали более сильный эффект.
В другом эксперименте выяснилось, что глутамат делает дрожжи более чувствительными к спермину. Исследователи называют это взаимодействие недостаточно изученным. Они предполагают, что эффект может исходить не напрямую от глутамата, а от вещества, которое клетки дрожжей из него производят.
Несбывшийся прогноз всё же пригодился
Не каждый прогноз сработал. Система ожидала, что лизин сделает дрожжи менее устойчивыми к высоким концентрациям сахара. Вместо этого лизин заметно защищал клетки. Испытания с муравьиной кислотой тоже дали результаты, недостаточно специфичные, чтобы подтвердить прогнозы, поскольку контрольное вещество действовало по крайней мере так же сильно, как проверяемая аминокислота.
Исследователи не засчитали эти исходы как подтверждения. При этом они позволили системе использовать неудачные эксперименты, когда она выбирала, что исследовать дальше. Это различие важно: автоматизированная исследовательская система должна уметь учиться на результате, не переименовывая его тихо в успех.
База данных также помогала не дублировать работу. Система могла распознать, что предложенный эксперимент по сути уже был проведён в составе более раннего теста, и не тратить на него ресурсы снова.
Автономность с человеческой погрузочной бригадой
Лаборатория не работала полностью сама. Люди готовили исходные растворы, переносили часть чашек между несоединённым оборудованием и проверяли планы экспериментов на безопасность. Но система могла выбирать гипотезы и разрабатывать большую часть экспериментальных процедур без участия человека.
Демонстрация ограничивалась относительно простыми гипотезами и одним видом дрожжей. Она не показывает, что ИИ может заменить исследователей или что тот же подход без изменений сработает в более сложных биологических исследованиях.
Она показывает другое: переход от ИИ, который помогает с отдельными задачами, например составляет протокол или обрабатывает результаты, к участию в последовательности, где один эксперимент может определять следующий. Роботы выполняли лабораторную работу, программа решала, что пробовать, а люди следили, чтобы вся схема оставалась безопасной и обеспеченной всем необходимым. Это не учёный в коробке. Это исследовательский цикл, рядом с которым, сразу за его пределами, стоят несколько совершенно необходимых людей.