Учёные из Швеции и Великобритании представили технологию, способную значительно сократить ручной цикл биологических исследований: новая система формулирует гипотезы, планирует эксперименты и передаёт инструкции роботизированной лаборатории, учитывая результаты для выбора последующих шагов. В испытаниях на дрожжах Saccharomyces cerevisiae она выявила ряд ранее не описанных взаимодействий между аминокислотами и химическими стрессорами, демонстрируя возможность замкнутого цикла исследований, где результат одного шага направляет следующий. Источник проекта и полученные данные зафиксированы в исходных материалах и подтверждают компетенции новой системы. [0, 1]

Основа подхода —-generating гипотез с помощью ИИ‑модели. Учёные собрали базу почти 60 тысяч фактов о дрожжах: связи между генами, химическими веществами и наблюдаемыми признаками. Поиск устойчивых закономерностей позволял системе формировать гипотезы и сопоставлять их с экспериментальными данными, что привело к 1933 проверяемым предсказаниям о влиянии 16 аминокислот на устойчивость к различным воздействиям. Этот массив информации стал фундаментом для последующих этапов автономного цикла. [1]

Далее в работу включились несколько ИИ‑агентов: один на базе GPT‑4o составлял план эксперимента, другой подбирал оптимальный вариант для проверки, третий переводил решение в инструкции для лабораторного оборудования. Роботы мешали вещества, выращивали культуры примерно 20 часов и фиксировали рост и концентрации внутри клеток. Каждый вариант тестировали на десяти культурах, а результаты добавлялись в общую базу вместе с гипотезами и планами. Такой координация позволила системе накапливать оперативные и структурированные данные о ходе исследований. [2]

Некоторые предсказания оказались подтверждёнными: например, предположение, что аргинин усилит эффект кофеина. Отдельно аргинин слегка снижал рост дрожжей, кофеин — заметно, а их сочетание иногда давало больший эффект, чем ожидалось. Ещё одно наблюдение — глутамат может повысить чувствительность дрожжей к сперминам; авторы считают, что прямого влияния у глутамата может не быть и что эффект связан с веществом, образующимся из него внутри клетки. Эти примеры подчёркивают способность ИИ‑модели формировать сложные взаимосвязи между средой и биологическими ответами. [4]

Не все предсказания сбывались. Так, добавление лизина предполагалось ухудшать устойчивость к сахару, но на деле он защищал клетки. Аналогично для муравьиной кислоты система получила неспецифические результаты, когда контрольное вещество действовало не слабее проверяемой аминокислоты. Учёные не рассматривали такие данные как подтверждение исходных гипотез. Тем не менее неудачи не пропадали: их использовали для следующего шага цикла и уточнения дальнейших планов. [5]

Важно, что полностью автономной лаборатории пока нет: люди по-прежнему готовили исходные растворы и переносили планшеты между установками, а также проверяли планы на безопасность. Однако выбор гипотез и разработка большинства процедур могли выполняться без участия человека, а вся гипотезы, эксперименты и результаты сохранялись в структурированной базе. Это позволило системе определить, что один предполагаемый опыт уже был выполнен ранее, и не тратить ресурсы на повтор. [7]

Авторы подчёркивают, что на данный момент речь идёт о простых гипотезах и об одном виде дрожжей. Система не заменила учёных, но демонстрирует иной подход к автоматизации науки: ИИ не только оформляет протоколы и обрабатывает данные, а становится частью замкнутого цикла, где результат каждого опыта задаёт направление для следующих шагов. Опыт подчеркивает возможность сочетания автономии и участия человека в ранних стадиях и обеспечения безопасности. [8]