Лаборатория OpenAI и Ginkgo удешевила синтез белка на 40%
Лаборатория OpenAI и Ginkgo, результаты которой опубликовали в феврале 2026 года, подключила GPT-5 к роботизированной облачной лаборатории Ginkgo Bioworks в Бостоне и снизила стоимость бесклеточного синтеза белка на 40 процентов относительно прежнего лучшего результата. За шесть раундов модель спроектировала более 36 000 реакций, а роботы их выполнили. Для компаний, которые зависят от лабораторных исследований, это пример модели ИИ, снижающей стоимость опытов за счет выбора, какие из них ставить.
Почему бесклеточный синтез белка трудно улучшать
Бесклеточный синтез белка дорого настраивать, потому что в рецепте слишком много переменных. Метод, известный как CFPS, делает белки без выращивания живых клеток: аппарат клетки для производства белка переносят в контролируемую смесь и запускают там. Его используют при разработке лекарств, в диагностике и при производстве промышленных ферментов, а также в коммерческом производстве конъюгата антитела и лекарства.
Каждая смесь объединяет ДНК-матрицы, клеточные экстракты (лизаты), источники энергии, соли и кофакторы. Пространство возможных составов огромно, малые изменения трудно предсказать, а прежние попытки машинного обучения давали лишь небольшой прирост. В биологии каждую идею нужно проверять в лаборатории, где опыты стоят времени и денег.
Что построили OpenAI и Ginkgo Bioworks
OpenAI подключила свою модель GPT-5 к полностью автоматизированной облачной лаборатории Ginkgo Bioworks в Бостоне, а компании опубликовали результаты в феврале 2026 года. Схема замкнутая: GPT-5 пишет планы опытов в виде цифровых файлов, система проверки на библиотеке Python Pydantic убеждается, что каждый план научно корректен и выполним на имеющемся оборудовании, и только потом лаборатория его запускает.
В лаборатории работу выполняют модульные роботизированные блоки, Reconfigurable Automation Carts, или RAC. На каждой тележке стоит один прибор, например дозатор жидкостей, инкубатор или измерительное устройство, а роботизированные манипуляторы и транспортные рельсы перемещают планшеты с образцами между ними. Программа Ginkgo Catalyst управляет процессом, а результаты возвращаются в GPT-5, который анализирует их и проектирует следующий раунд.
Как лаборатория работала от раунда к раунду
Люди занимались подготовкой, загрузкой и выгрузкой реагентов и расходных материалов. За шесть раундов и шесть месяцев система получила примерно 150 000 точек данных.
Полной автономности не было. В начале результаты на одном планшете иногда отличались более чем на 40 процентов, и сотрудникам Ginkgo приходилось вручную подстраивать концентрации реагентов и исходные растворы, что снизило медианное отклонение до 17 процентов. Самый большой прирост дал раунд 3, когда GPT-5 получил доступ к компьютеру, интернету, пакетам анализа данных и свежему препринту исследователей Северо-Западного университета. За два месяца, в раундах с 3 по 5, система превзошла прежний лучший результат. ДНК-матрицу и лизат улучшали одновременно, поэтому не весь прирост можно записать на счет модели.
Что измерила автономная лаборатория
Система проверила более 36 000 составов реакций на 580 автоматизированных планшетах. Себестоимость тестового белка sfGFP упала с 698 до 422 долларов за грамм, то есть на 40 процентов относительно прежнего лучшего результата, опубликованного исследователями Северо-Западного университета в августе 2025 года. Выход белка вырос на 27 процентов, с 2,39 до 3,04 грамма на литр, а затраты на реагенты сократились на 57 процентов, с 60 до 26 долларов за грамм.
Ошибки были редки: из 480 планшетов, которые спроектировал GPT-5, у двух были базовые дефекты плана. Ограничения серьезнее. Все результаты получены на одном белке и одной системе CFPS, а в тесте с двенадцатью другими белками удалось обнаружить только шесть.
Что это значит для компаний с лабораторными исследованиями
Для бизнеса на основе лабораторной работы результат показывает, где модель ИИ экономит деньги: в выборе опытов. GPT-5 также отметил, что более 90 процентов стоимости реакции теперь приходится на лизат и ДНК, поэтому повышение выхода на единицу этих компонентов важнее, чем экономия на более дешевых ингредиентах.
Ginkgo превращает эту работу в основной бизнес. Компания говорит, что расширяет свою бостонскую автономную лабораторию до более чем 50 RAC, еще 50 ожидаются к концу 2026 года, и продает лабораторию и как облачный сервис, и как системы, построенные на площадках клиентов. Она выиграла контракт на 47 млн долларов на автономную лабораторию на 97 приборов для Тихоокеанской северо-западной национальной лаборатории. Поворот случился после того, как выручка за 2025 год упала на 25% до 170 млн долларов.
«В этом году мы сосредоточимся на инвестициях, чтобы победить в категории автономных лабораторий». Джейсон Келли, сооснователь и гендиректор Ginkgo Bioworks
Вопросы и ответы
Насколько GPT-5 снизил стоимость производства белка?
Стоимость производства sfGFP упала с 698 до 422 долларов за грамм, на 40 процентов ниже прежнего лучшего результата. Затраты на реагенты сократились на 57 процентов.
Насколько автономной была лаборатория OpenAI и Ginkgo?
GPT-5 проектировал опыты и анализировал результаты, а роботы их выполняли. Люди готовили и загружали реагенты и расходные материалы, а сотрудники Ginkgo вручную подстраивали концентрации реагентов, чтобы снизить разброс.
Применим ли результат к другим белкам?
Пока нет. Все результаты получены на одном белке, sfGFP, а в тесте с двенадцатью другими белками удалось обнаружить только шесть. Для других целей понадобится дополнительная оптимизация.
Взгляд MOZGII
Как бы мы это построили
Полезно в этом случае не то, что модель управляла лабораторией, а проверка между моделью и роботами. Каждый план GPT-5 проходил через валидатор, прежде чем двигалось оборудование, и эту часть мы бы скопировали первой. Если бы мы строили такую систему для исследовательской команды, мы бы начали со списка того, что лаборатория физически умеет: объемы, приборы, форматы планшетов и реагенты на складе.
Модель предлагала бы опыты в фиксированном формате, мы проверяли бы каждый по этому списку в коде и отправляли роботам только допустимые планшеты. Ученый просматривал бы заметки модели после каждого раунда и утверждал следующий. Мы бы хранили все исходные результаты, включая неудачные планшеты и отчеты об ошибках оборудования, потому что случай показывает: модель лучше всего улучшалась, когда увидела эти детали.
Схема ломается там, где измерения шумные. Когда один планшет дает разные ответы, модель учится на шуме, а в этом случае людям пришлось вручную чинить входные данные. Она ломается и тогда, когда рецепт, настроенный для одного белка, применяют к другому.
Одно число мы бы отслеживали: стоимость грамма целевого белка, измеряемую одинаково в каждом раунде. Следующим шагом мы бы построили такой же цикл для второго белка, прежде чем доверять рецепту за пределами первого.
Источники
Откуда взяты факты этой новости.