Laboratoire autonome OpenAI Ginkgo : coût réduit de 40 %
Le laboratoire autonome OpenAI Ginkgo, dont les résultats ont été publiés en février 2026, a relié GPT-5 au laboratoire cloud robotisé de Ginkgo Bioworks à Boston et réduit de 40 % le coût de la synthèse de protéines acellulaire par rapport à l'état de l'art précédent. En six cycles, le modèle a conçu plus de 36 000 réactions que des robots ont exécutées. Pour les entreprises qui dépendent de la recherche en laboratoire, cela montre un modèle d'IA qui réduit le coût des expériences en choisissant lesquelles lancer.
Pourquoi la synthèse de protéines acellulaire est difficile à améliorer
La synthèse de protéines acellulaire est coûteuse à régler parce que la recette comporte trop de paramètres. Cette méthode, appelée CFPS, produit des protéines sans cultiver de cellules vivantes : la machinerie qui fabrique les protéines est sortie des cellules, placée dans un mélange contrôlé et utilisée là. Elle sert au développement de médicaments, au diagnostic et à la production d'enzymes industrielles, ainsi qu'à la fabrication commerciale d'un conjugué anticorps-médicament.
Chaque mélange combine des matrices d'ADN, des extraits cellulaires appelés lysats, des sources d'énergie, des sels et des cofacteurs. L'espace des compositions possibles est immense, les petits changements sont difficiles à prévoir, et les précédentes tentatives d'apprentissage automatique n'ont apporté que des gains progressifs. En biologie, chaque idée doit être testée en laboratoire, où les expériences coûtent du temps et de l'argent.
Ce qu'OpenAI et Ginkgo Bioworks ont construit
OpenAI a relié son modèle GPT-5 au laboratoire cloud entièrement automatisé de Ginkgo Bioworks à Boston, et les entreprises ont publié les résultats en février 2026. Le dispositif est une boucle fermée : GPT-5 écrit des plans d'expérience sous forme de fichiers numériques, un système de validation construit sur la bibliothèque Python Pydantic vérifie que chaque plan est scientifiquement correct et exécutable avec l'équipement disponible, et seulement alors le laboratoire l'exécute.
Dans le laboratoire, des unités robotisées modulaires appelées Reconfigurable Automation Carts, ou RAC, font le travail. Chaque chariot porte un instrument, comme un robot de pipetage, un incubateur ou un appareil de mesure, tandis que des bras robotisés et des rails de transport déplacent les plaques d'échantillons entre eux. Le logiciel Catalyst de Ginkgo pilote le flux de travail, et les résultats reviennent à GPT-5, qui les analyse et conçoit le cycle suivant.
Comment le laboratoire a fonctionné de cycle en cycle
Des personnes se sont chargées de la préparation et du chargement et déchargement des réactifs et des consommables. En six cycles et six mois, le système a produit environ 150 000 points de données.
Il n'était pas entièrement autonome. Au début, les résultats d'une même plaque différaient parfois de plus de 40 %, et le personnel de Ginkgo a dû ajuster à la main les concentrations de réactifs et les solutions mères, ce qui a ramené l'écart médian à 17 %. Les plus grands gains sont venus du cycle 3, quand GPT-5 a eu accès à un ordinateur, à Internet, à des paquets d'analyse de données et à un préprint récent de chercheurs de la Northwestern University. En deux mois, sur les cycles 3 à 5, le système a dépassé le meilleur résultat précédent. La matrice d'ADN et le lysat ont été améliorés en même temps, de sorte que tout le gain ne peut pas être attribué au modèle.
Ce que le laboratoire autonome a mesuré
Le système a testé plus de 36 000 compositions de réaction sur 580 plaques automatisées. Le coût de production de la protéine test, sfGFP, est passé de 698 à 422 dollars le gramme, soit 40 % de moins que l'état de l'art précédent publié par des chercheurs de Northwestern en août 2025. Le rendement en protéine a augmenté de 27 %, de 2,39 à 3,04 grammes par litre, et les seuls coûts de réactifs ont baissé de 57 %, de 60 à 26 dollars le gramme.
Les erreurs ont été rares : sur 480 plaques conçues par GPT-5, deux avaient des défauts de conception de base. Les limites sont plus larges. Tous les résultats viennent d'une seule protéine et d'un seul système CFPS, et dans un test avec douze autres protéines, seules six ont pu être détectées.
Ce que cela signifie pour les entreprises qui font de la recherche en laboratoire
Pour une entreprise de laboratoire, le résultat montre où un modèle d'IA fait économiser de l'argent : dans le choix des expériences à mener. GPT-5 a aussi noté que plus de 90 % du coût d'une réaction vient désormais du lysat et de l'ADN, si bien qu'augmenter le rendement par unité de ces intrants compte plus que rogner sur des ingrédients moins chers.
Ginkgo en fait son activité principale. L'entreprise dit étendre son laboratoire autonome de Boston à plus de 50 RAC, avec 50 autres attendus d'ici la fin de 2026, et vendre le laboratoire à la fois comme service cloud et comme systèmes construits chez les clients. Elle a remporté un contrat de 47 millions de dollars pour un laboratoire autonome de 97 instruments pour le Pacific Northwest National Laboratory. Ce virage fait suite à une baisse de 25 % du chiffre d'affaires de l'exercice 2025, à 170 millions de dollars.
« Cette année, nous allons nous concentrer sur l'investissement pour gagner dans la catégorie des laboratoires autonomes. » — Jason Kelly, cofondateur et PDG de Ginkgo Bioworks
Questions et réponses
De combien GPT-5 a-t-il réduit le coût de production des protéines ?
Le coût de production de la sfGFP est passé de 698 à 422 dollars le gramme, soit 40 % de moins que l'état de l'art précédent. Les seuls coûts de réactifs ont baissé de 57 %.
Quel était le degré d'autonomie du laboratoire d'OpenAI et de Ginkgo ?
GPT-5 a conçu les expériences et analysé les résultats, et des robots les ont exécutées. Des personnes ont préparé et chargé les réactifs et les consommables, et le personnel de Ginkgo a ajusté à la main les concentrations de réactifs pour réduire la variabilité.
Le résultat s'applique-t-il à d'autres protéines ?
Pas encore. Tous les résultats viennent d'une seule protéine, la sfGFP, et dans un test avec douze autres protéines, seules six ont pu être détectées. Il faudrait davantage d'optimisation pour d'autres cibles.
Le regard de MOZGII
Comment nous le construirions
Ce qui est utile dans ce cas, ce n'est pas qu'un modèle ait piloté un laboratoire. C'est le contrôle entre le modèle et les robots. Chaque plan écrit par GPT-5 est passé par un validateur avant qu'un équipement bouge, et c'est la partie que nous copierions en premier. Si nous construisions un système de ce type pour une équipe de recherche, nous commencerions par la liste de ce que le laboratoire peut physiquement faire : volumes, instruments, formats de plaques et réactifs en stock.
Nous laisserions le modèle proposer des expériences dans un format fixe, vérifier chacune par rapport à cette liste dans le code, et n'envoyer que des plaques valides aux robots. Un scientifique relirait les notes du modèle après chaque cycle et approuverait le suivant. Nous conserverions tous les résultats bruts, y compris les plaques ratées et les rapports d'erreurs d'équipement, car le cas montre que le modèle s'est le plus amélioré une fois qu'il a vu ce détail.
Ça casserait là où la mesure est bruitée. Quand la même plaque donne des réponses différentes, le modèle apprend du bruit, et ici des personnes ont dû corriger les entrées à la main. Ça casserait aussi quand une recette réglée pour une protéine est utilisée pour une autre.
Le chiffre que nous suivrions est le coût par gramme de la protéine cible, mesuré de la même façon à chaque cycle. Ensuite, nous construirions la même boucle pour une deuxième protéine avant de faire confiance à une recette au-delà de la première.
Sources
D’où viennent les faits de cet article.