オープントロンズとNVIDIA、AI搭載ラボの新時代を開始 – ロボットを学習する科学者に

過去10年間、生命科学における人工知能は予測に焦点を当ててきた。モデルは薬剤の標的を提案し、分子の構造を生成し、または大量の生物学的データセットを分析する。しかし、洞察は急速に進歩したものの、実験の実行は依然としてボトルネックとなっている。AIによって生成された仮説を実際の、再現可能な実験室実験に翻訳することはまだ遅く、高価で、機器やワークフローに分散している。

そのギャップは今狭まっている。 オープントロンズ は、日常の実験室操作に物理的なAIを直接導入することでこの問題を解決することを目的とした、NVIDIA との深い統合を発表した。

世界中の実験室ロボットのグローバルネットワーク

オープントロンズが独自の立場にあるのは、規模である。同社は、主要な研究大学やバイオファーマ企業に展開された1万を超える標準化された実験室ロボットのグローバルフリートを運営している。これらのシステムはすでに、ゲノミクス、プロテオミクス、抗体発見、診断などの重要なワークフローを自動化している。

オープントロンズは、NVIDIAの物理AIプラットフォーム、NVIDIA Isaac と NVIDIA Cosmos を統合することで、このインストールベースを、AIシステムのための生きたトレーニンググラウンドに変えている。シミュレートされたデータに頼るのではなく、世界中のウェットラボでの実験の実行から直接学習できる物理AIモデルが可能になった。

シミュレーションと現実の橋渡し

シミュレーションは、ロボットとAIの開発において長い間不可欠であった。しかし、実験室は独自の複雑さをもたらす。生物学的変異、機器の違い、試薬の挙動、環境条件はすべて結果に影響を与える。オープントロンズとNVIDIAは、シミュレーションと標準化された現実世界の実行を組み合わせることで、デジタル計画と物理的な結果の間のギャップを埋めている。

実践では、AIシステムは実験設計を提案し、シミュレートされた結果を生成し、オープントロンズのロボットで実験を実行し、結果をモデルトレーニングにフィードバックすることができる。時間の経過とともに、これにより、予測のみでなく、実際の実験室環境で何が機能するかを理解するAIエージェントが作成される。

自律科学のループを閉じる

この取り組みの重要な部分は、NVIDIAの生物学的AIスタック、BioNeMo である。これは、生物学的発見のためのAIモデルのトレーニングとデプロイの基礎を提供する。オープントロンズは、標準化された、再現可能で、プログラム可能な物理実験という、欠けていた実行レイヤーを提供する。

これらを組み合わせることで、連続的な学習サイクルが可能になる。AIモデルは仮説と実験計画を生成する。ロボットは、数千のラボで一貫して実験を実行する。結果は、高品質のトレーニングデータとしてキャプチャされ、次のイテレーションのAIシステムにフィードバックされる。スケールアップすると、このフィードバックループは、発見のタイムラインを数年から数週間に圧縮する可能性がある。

標準化の重要性

実験室は歴史的に非均質な環境であった。カスタマイズされた自動化セットアップ、独自の機器、手動プロセスにより、結果を比較したり、大規模にデータを再利用したりすることが困難であった。オープントロンズのアプローチは、実行を標準化しながら、オープンでAPI駆動のままにすることで、このダイナミクスを逆転させる。

この標準化により、物理AIモデルがラボ全体で汎化できる。実験がニューヨーク、ボストン、バーゼルで同じように実行されると、AIシステムは単一のセットアップに過剰適合するのではなく、環境全体で有効なパターンを学習できる。

薬剤発見とその他への影響

直接的な影響は、薬剤発見 で感じられる可能性が高い。実験のスループットと再現性は、速度とコストに直接影響する。ただし、影響はさらに広がる。自律的な実験の実行は、診断の開発、生物学的研究の検証、治療の概念から臨床へのスピードの変化を再定義する可能性がある。

より広く見ると、このパートナーシップは、科学へのAIの適用方法の変化を示唆している。推奨のみに止まらず、AIシステムは実験を実行し、結果から学び、自律的に改善し始めている。これは、人間の科学者が戦略と解釈に集中し、AIとロボティクスが大規模な実行を扱う、自律的な実験室への初期的な nhưng 意味のあるステップを示唆している。

次のステップの予見

オープントロンズとNVIDIAは、将来の SLAS国際会議と展示会 で、このビジョンを公開で展示する。参加者は、AI駆動の計画とロボットの実行がどのように融合しているかについて議論する機会を持ち、次の世代の物理AIモデルのトレーニングに実験の実行データを提供する機会もある。

物理的なAIが理論から実践へと移行するにつれて、このようなパートナーシップは、より大きなトレンドを浮き彫りにする。科学におけるAIの未来は、予測の改善のみによって定義されるのではなく、自律的に実験を設計、実行、学習できるシステムによって定義されることになる。継続的に、自律的に、グローバルスケールで。