Kocham ten projekt!! Gratulacje @samuelhking, @pdhsu i ekipie @arcinstitute! Moje 2 grosze: Wykorzystanie AI do projektowania biologicznego najlepiej postrzegać jako tłumacza. Pozwala nam mówić po angielsku i mieć to przetłumaczone na DNA i odwrotnie. Nie wiemy, jak zaprojektować fag z części, ale Evo 1/2 zostały wytrenowane przez "czytanie" ponad 2 milionów genomów fagów z natury, więc nauczyły się "mówić" DNA fagów. Możemy więc poprosić je o wygenerowanie jednego -- tak jak możesz poprosić ChatGPT o wygenerowanie wiersza w chińskim, nawet jeśli sam go nie znasz. Już wcześniej trenowaliśmy modele AI na języku białek z modelami takimi jak Alphafold i ESM i to działało dobrze -- ten artykuł pokazuje, że możemy to zrobić na wyższym poziomie złożoności. Ten model AI mówi o genomach fagów wielogenowych, a nie tylko o pojedynczych genach. Bardzo ekscytująca demonstracja, a praca ładnie to udowadnia, faktycznie tworząc i testując zaprojektowane fagi. Działają! Moim zdaniem są dwie oczywiste przyszłe kierunki, które ostatecznie będą udane: (1) Model powinien być ponownie trenowany na podstawie tego, czego nauczył się o zaprojektowanych fagach, aby mógł lepiej rozumieć, o co pyta człowiek i tłumaczyć to na DNA. To "uczenie przez wzmocnienie" jest podobne do tego, jak Google nauczył modele AI grać w szachy - pozwalasz modelowi grać w grę, a potem mówisz mu, czy wygrał, czy przegrał. Tutaj pozwolisz modelowi zaprojektować miliony fagów, zbudować je w laboratorium, a następnie powiedzieć mu o wydajności różnych projektów. (2) Powinniśmy sprawdzić, czy modele trenowane na milionach genomów bakterii mogą umożliwić nam zbudowanie zaprojektowanej przez AI całej komórki bakteryjnej, podobnie jak zrobiono to tutaj dla faga. To sprawdzi, czy możemy przejść od tłumaczenia angielskiego zapytania na książkę DNA (500 000 liter DNA dla najprostszych bakterii) zamiast DNA wiersza faga (5 000 liter DNA w fagu). Byłoby to naukowe osiągnięcie na skalę narodową, ponieważ komórki są budulcem całego życia, a USA powinny upewnić się, że dotrzemy do tego jako pierwsi. Aby zrealizować zarówno (1), jak i (2), potrzebujemy dramatycznych ulepszeń w efektywności wykonywania rzeczywistej biologii laboratoryjnej potrzebnej do budowy DNA i testowania wydajności organizmów. Wskazuje na to, że zbudowali tylko 302 projekty fagów i przetestowali 16 projektów -- to dlatego, że prace laboratoryjne są zbyt wolne i kosztowne. Odpowiedzią na to jest automatyzacja laboratorium -- cieszę się, że NSF inwestuje 100 milionów dolarów w automatyzowane laboratoria w chmurze kontrolowane przez AI i inne wysiłki, które uczynią amerykańską infrastrukturę naukową bardziej efektywną i na skalę przemysłową. Plan działania AI Białego Domu również wskazał na potrzebę tych "laboratoriów w chmurze". Jeszcze raz, wspaniała praca !!!

W nowym predruku z laboratorium @brianhie, zespół raportuje pierwszy generatywny projekt wykonalnych genomów bakteriofagów. Wykorzystując Evo 1 i Evo 2, wygenerowali pełne sekwencje genomów, co zaowocowało 16 wykonalnymi fagami o odmiennych architekturach genomowych.