Opentrons et NVIDIA lancent une nouvelle ère de laboratoires alimentés par l’IA, transformant les robots en scientifiques apprenants

Pendant la majeure partie de la dernière décennie, l’intelligence artificielle dans les sciences de la vie s’est concentrée sur la prédiction. Les modèles suggèrent des cibles de médicaments, génèrent des structures moléculaires ou analysent des ensembles de données biologiques massifs. Mais même si les connaissances ont progressé rapidement, l’exécution expérimentale est restée un goulet d’étranglement. La traduction des hypothèses générées par l’IA en expériences de laboratoire réelles et reproductibles est toujours lente, coûteuse et fragmentée entre les instruments et les flux de travail.

Cet écart est maintenant en train de se réduire. Opentrons a annoncé une intégration profonde avec NVIDIA (NVDA ) visant à résoudre ce problème en apportant l’IA physique directement dans les opérations de laboratoire quotidiennes.

Un réseau mondial de robots de laboratoire du monde réel

Ce qui rend Opentrons unique est l’échelle. L’entreprise exploite une flotte mondiale de plus de 10 000 robots de laboratoire standardisés déployés dans des universités de recherche et des organisations de biopharmacie de premier plan. Ces systèmes automatisent déjà des flux de travail critiques dans les domaines de la génomique, de la protéomique, de la découverte d’anticorps et des diagnostics.

En intégrant les plateformes d’IA physique de NVIDIA – NVIDIA Isaac et NVIDIA Cosmos -, Opentrons transforme cette base installée en un terrain d’entraînement vivant pour les systèmes d’IA. Au lieu de s’appuyer principalement sur des données simulées, les modèles d’IA physiques peuvent désormais apprendre directement à partir de l’exécution expérimentale réelle dans les laboratoires humides du monde entier.

Relier la simulation et la réalité

La simulation a longtemps été essentielle pour le développement de la robotique et de l’IA, mais les laboratoires introduisent une complexité unique. La variabilité biologique, les différences d’instruments, le comportement des réactifs et les conditions environnementales affectent tous les résultats. En associant la simulation à l’exécution standardisée du monde réel, Opentrons et NVIDIA ferment la boucle entre la planification numérique et les résultats physiques.

Dans la pratique, les systèmes d’IA peuvent proposer une conception expérimentale, simuler les résultats, exécuter l’expérience sur les robots Opentrons et renvoyer les résultats dans la formation du modèle. Au fil du temps, cela crée des agents d’IA qui ne prédisent pas seulement ce qui devrait fonctionner, mais comprennent ce qui fonctionne réellement dans les environnements de laboratoire.

Fermer la boucle sur la science autonome

Un élément clé de cet effort est la pile d’IA biologique de NVIDIA, y compris BioNeMo, qui fournit la base pour la formation et le déploiement de modèles d’IA pour la découverte biologique. Opentrons fournit la couche d’exécution manquante – des expériences physiques standardisées, reproductibles et programmables.

Ensemble, cela permet un cycle d’apprentissage continu. Les modèles d’IA génèrent des hypothèses et des plans expérimentaux. Les robots exécutent ces expériences de manière cohérente dans des milliers de laboratoires. Les résultats sont capturés sous forme de données de formation de haute qualité et renvoyés dans les systèmes d’IA pour affiner l’itération suivante. Lorsqu’il est mis à l’échelle, cette boucle de rétroaction a le potentiel de compresser les délais de découverte de plusieurs années à quelques semaines.

Pourquoi la standardisation est importante

Les laboratoires ont historiquement été des environnements hétérogènes. Les configurations d’automatisation personnalisées, les instruments propriétaires et les processus manuels rendent difficile la comparaison des résultats ou la réutilisation des données à grande échelle. L’approche d’Opentrons inverse cette dynamique en standardisant l’exécution tout en restant ouverte et pilotée par API.

Cette standardisation est ce qui permet aux modèles d’IA physiques de se généraliser à travers les laboratoires. Lorsque les expériences sont exécutées de la même manière à New York, Boston ou Bâle, les systèmes d’IA peuvent apprendre des modèles qui s’appliquent à travers les environnements plutôt que de suradapter à une configuration unique.

Implications pour la découverte de médicaments et au-delà

L’impact immédiat sera probablement ressenti dans la découverte de médicaments, où le débit expérimental et la reproductibilité affectent directement la rapidité et le coût. Mais les implications s’étendent plus loin. L’exécution expérimentale autonome pourrait remodeler la façon dont les diagnostics sont développés, la façon dont la recherche biologique est validée et la façon dont les nouvelles thérapies passent du concept au stade clinique.

Plus largement, ce partenariat signale un changement dans la façon dont l’IA est appliquée à la science. Au lieu de s’arrêter aux recommandations, les systèmes d’IA commencent à agir – en exécutant des expériences, en apprenant des résultats et en s’améliorant de manière autonome. Cela marque une étape précoce mais significative vers des laboratoires à conduite autonome où les scientifiques humains se concentrent sur la stratégie et l’interprétation, tandis que l’IA et la robotique gèrent l’exécution à grande échelle.

Un aperçu de ce qui vient ensuite

Opentrons et NVIDIA présenteront cette vision publiquement à la prochaine Conférence et exposition internationale SLAS, où ils discuteront de la façon dont la planification et l’exécution robotique alimentées par l’IA sont en train de converger. Les participants auront également des opportunités de contribuer à des données d’exécution expérimentale réelles pour aider à former la prochaine génération de modèles d’IA physiques.

Alors que l’IA physique passe de la théorie à la pratique, des partenariats comme celui-ci mettent en évidence une tendance plus large : l’avenir de l’IA dans la science ne sera pas défini par de meilleures prédictions seules, mais par des systèmes capables de concevoir, d’exécuter et d’apprendre de leurs propres expériences – de manière continue, autonome et à l’échelle mondiale.