На протяжении полувека Genentech решает одни из самых сложных задач науки и медицины. В 1977 году наши ученые успешно получили соматостатин — пептидный гормон, который регулирует у человека инсулин и глюкагон, гормон роста и функции пищеварительного тракта, — в бактериях E. coli с помощью технологии рекомбинантной ДНК, доказав, что бактерии можно перепрограммировать в биофабрики для производства лекарств. Вскоре после этого мы синтезировали рекомбинантный человеческий инсулин, который в 1982 году стал первым в истории генно-инженерным лекарственным препаратом, одобренным FDA. С тех пор наша приверженность фундаментальным исследованиям и заботе о пациентах побуждает нас создавать прорывные методы лечения рака, рассеянного склероза и других сложных заболеваний.

Эта работа требует строгих экспериментов в наших лабораториях по поиску лекарственных препаратов — часто с использованием крупномасштабных автоматизированных систем, способных проводить высокопроизводительные анализы и параллельно проверять множество переменных. Эти системы состоят из узкоспециализированных лабораторных роботов — дозаторов жидкостей, роботизированных рук, микропланшетных ридеров и других устройств, — которые необходимо тщательно калибровать, многократно тестировать и снабжать сложной программной логикой, чтобы эксперименты выполнялись точно. Сейчас настройка таких автоматизированных систем — это ручной, трудоемкий процесс, который может занимать недели или даже месяцы, ограничивая число научных идей, доступных для проверки нашими исследователями.

Чтобы устранить это ключевое узкое место между проектированием эксперимента и его автоматизированным выполнением, совместно с Anthropic мы внедрили MHS для автоматизации лаборатории. Этот открытый фреймворк предназначен для стандартизации взаимодействия между ИИ и оборудованием: он позволяет ученым управлять специализированными лабораторными роботами на естественном языке и избавляет от необходимости писать специальный код для робототехники. Наша конечная цель — создать автономные лаборатории, в которых ИИ берет на себя утомительные механические операции по массовому выполнению экспериментов, а ученые могут сосредоточиться на множестве творческих аспектов ускоренного поиска лекарств, требующих человеческого суждения, — например, проектировании и интерпретации экспериментов, принятии решений и изобретении новых лабораторных методов.

Автоматизация BCA-анализа как подтверждение концепции

Сначала мы внедрили MHS на крупной роботизированной рабочей станции, построенной вокруг дозатора жидкостей. Мы хотели выяснить, сможет ли MHS ускорить автоматизацию белкового анализа с бицинхониновой кислотой (BCA) — стандартной процедуры измерения общей концентрации белка в образце. В процедуре задействованы три прибора: дозатор жидкостей для точного переноса жидкостей, роботизированная рука для перемещения лабораторной посуды и микропланшетный ридер для измерения оптического поглощения, то есть количества света, поглощаемого образцом на заданной длине волны. Мы развернули MHS на всех трех устройствах, поручив Claude оркестрацию протокола и роль центрального узла связи с оборудованием. Все эксперименты проводились в стандартных 96-луночных микропланшетах — основном формате для автоматизированного лабораторного оборудования.

BCA-анализ предполагает работу с жидкостями, обладающими разными физическими свойствами: от простых водных реагентов до вязких, пенящихся белковых образцов. В нашей установке в качестве надежного стандарта белкового образца мы использовали бычий сывороточный альбумин (BSA) известных концентраций. Поскольку под давлением и при течении эти жидкости ведут себя по-разному, пипетирование должно выполняться предельно точно, чтобы переносился строго заданный объем раствора. Например, растворы BSA вязкие и образуют пузырьки при высокой скорости потока — скорости движения жидкости через наконечник пипетки, — что напрямую влияет на точность внесения раствора в планшет. Практически все автоматизированные научные эксперименты начинаются с оптимизации такой гидродинамики для каждого протокола.

В качестве отправной точки мы передали Claude стандартный протокол BCA-анализа, чтобы получить базовый уровень для оценки улучшений. В первом испытании Claude выполнил этапы протокола, но выбрал общие параметры дозирования с одинаковой скоростью потока как для водных, так и для вязких растворов. Из-за этого в вязком растворе образовались пузырьки, и перенос жидкости оказался неточным. Затем мы попросили Claude автономно оптимизировать гидродинамику и для обычной воды, и для вязких белковых образцов (BSA). Мы задали модели план эксперимента по оптимизации скорости переноса жидкости и попросили исследовать определенный нашими экспертами диапазон скоростей: выполнить пробные переносы окрашенной жидкости и измерить поглощение микропланшетным ридером, чтобы определить оптимальную скорость для каждого типа жидкости. Claude также имел доступ к «эталонному» переносу, выполненному экспертом в том же планшете, и мы попросили свести к минимуму разницу между результатами эксперта и собственными результатами модели. После переносов Claude рассчитал среднеквадратическую ошибку (RMSE), чтобы количественно оценить свою точность (чем ниже, тем лучше; ноль — идеальная оценка; если целевой объем составлял 100 микролитров, а было внесено 98, это отклонение на 2 микролитра ухудшало оценку).

Claude самостоятельно провел эти пробные серии и проанализировал полученные данные микропланшетного ридера, стремясь приблизиться к переносам, выполненным экспертом. Для воды Claude заключил, что оптимальна скорость потока ~140 µL/s (RMSE 0,016); для BSA он определил 10 µL/s (RMSE 0,181) — наши специалисты по автоматизации подтвердили, что эти параметры разумны для нашей установки. Обычно для такой оптимизации специалисту по автоматизации приходится писать отдельную программную логику для каждого набора параметров и итеративно анализировать данные, пока не будут найдены подходящие значения.

Автономное восстановление после ошибок и ограничения современных моделей ИИ

Во время эксперимента Claude столкнулся с несколькими непредвиденными ошибками, включая сбои при захвате наконечника и ошибки обнаружения жидкости, однако сумел восстановить работу самостоятельно — такой возможности у большинства современных научных приборов нет. Вместе с тем эти эксперименты продемонстрировали и нынешние ограничения моделей ИИ. Они превосходно справляются с рассуждениями общего назначения, но по-прежнему испытывают трудности с учетом физических, химических и биологических ограничений, особенно при устранении ошибок, для которого требуется физическая интуиция, основанная на реальном мире.

Пример такого ограничения — образование пузырьков при работе с жидкостями. Хотя они могут казаться безобидными, пузырьки вызывают целый каскад проблем: если протокол предписывает аспирировать 40 μL реагента, но в жидкости присутствуют пузырьки воздуха, фактически перенесенный объем жидкости будет меньше из-за пространства, занятого воздухом. Кроме того, датчики уровня жидкости могут выдавать аппаратные ошибки, когда наконечник пипетки встречает пену вместо жидкости; пузырьки также искажают оптические измерения, являющиеся конечным результатом эксперимента.

Когда во время смешивания возникали ошибки выполнения, вызванные пузырьками, первой реакцией Claude было просто повторить операцию в той же лунке планшета с другими параметрами. Но это лишь сильнее взбалтывало жидкость и создавало еще больше пузырьков. Поскольку Claude пока не понимал физическую природу сбоя, нам пришлось направить его к параметрам, обеспечивающим более бережную работу с жидкостью.

После того как Claude сообщили, что код ошибки связан с реальными пузырьками в жидкости и что для исправления необходимо перейти в чистую лунку и сократить число циклов смешивания, он сохранял этот контекст до конца серии. Затем мы формализовали эти выводы в виде повторно используемых навыков Claude по работе с жидкостями. Благодаря им модель могла выбирать разумные параметры по умолчанию для жидкостей с разными физическими свойствами, что сократило число ошибок при дозировании. Эти эксперименты показали, какие ограничения рассуждений мы можем устранить, совершенствуя программную обвязку Claude для автоматизации лаборатории.

На пути к автономным открытиям

Хотя для улучшения рассуждений Claude о физических лабораторных манипуляциях предстоит еще многое сделать, это исследование стало крайне многообещающим подтверждением концепции. Сопоставляя решения Claude с нашей собственной предметной экспертизой, мы формируем наборы данных, необходимые для непрерывного повышения эффективности моделей в автоматизации лабораторных экспериментов.

В дальнейшем мы планируем оценить возможности Claude и MHS по оркестрации более широких сквозных автономных процессов в наших лабораториях по поиску лекарств. Мы стремимся создать автономный механизм открытий, в котором ученые задают биологическую цель высокого уровня, а ИИ-агенты помогают им координировать физический конвейер: формируют инструкции для оборудования, автономно проводят эксперименты, выполняют анализ с замкнутым контуром обратной связи и выдают готовые к скринингу модели и данные скрининга.

Чтобы расширить масштаб и влияние нашей работы, потребуется внедрить MHS на дополнительном оборудовании: центрифугах, автоматизированных инкубаторах, аналитических приборах и датчиках. Нам также нужно будет настроить агентную обвязку так, чтобы она понимала нюансы всех этапов поиска лекарств — от молекул до живых чувствительных клеток. Кроме того, предстоит интегрировать другие специализированные модели, которые будут круглосуточно отслеживать эксперименты и адаптивно оптимизировать их на основе данных в реальном времени. Если ИИ возьмет на себя повседневные задачи технического обслуживания, контроля качества и мониторинга среды, наши ученые смогут уделять больше внимания высокоуровневому проектированию экспериментов, рассуждениям и изобретательству — и мы еще на шаг приблизимся к ускоренному созданию лекарств, спасающих жизни.

Благодарности

Мы хотели бы поблагодарить ученых Genentech, внесших вклад в эту работу, включая Anupriya Tripathi, Matthew Bucci, Justin Nicola и Corinne Gullekson.

Проектирование белков de novo — создание с нуля белков, никогда не встречавшихся в природе, — в последние несколько лет находит все больше применений в медицине, защите окружающей среды и других областях. Однако его развитие сдерживают два фактора: стоимость и производительность. Сегодня проектирование такого белка, как PETase (фермент, расщепляющий пластик), может стоить всего $0,01. Но лабораторное тестирование этого белка остается медленным и дорогим: оно обходится примерно в $100 и требует недели работы на каждого кандидата, а это быстро накапливается, поскольку одновременно мы проверяем 1 000 кандидатов.

Будучи аспирантом лабораторий Baker и Pinglay Вашингтонского университета, я разрабатываю высокопроизводительные методы, позволяющие снизить стоимость одного эксперимента и резко увеличить число белковых конструкций de novo, которые мы можем проверять одновременно. Но работа в таком масштабе имеет собственную цену. В каждом цикле — будь то мультиплексный анализ конструкций или кампания активного обучения для исследования активности ферментов — я сталкиваюсь с двумя одинаковыми проблемами: отслеживанием состояния и пропускной способностью. Сейчас приборы мониторинга находятся в разных углах лаборатории, поэтому, чтобы понять, как проходит серия, мне приходится физически подходить к каждому из них. Если в середине серии что-то идет не так — например, HPLC останавливается из-за ошибки или дозатор жидкостей срабатывает неправильно и портит планшет, — я редко узнаю об этом сразу. К моменту обнаружения может пройти несколько часов, и экспериментальный образец уже непригоден. Кроме того, большинство приборов у меня в единственном экземпляре, поэтому одна машина задает темп всему циклу испытаний, а я часами вручную загружаю в нее образцы. Самое узкое место по пропускной способности — этап PCR: прибор обрабатывает только один планшет за раз, и мне приходится менять планшеты каждые 90 минут (поэтому иногда вместо сна я переставляю их в четыре утра).

Очевидное решение — автоматизация. Но исследовательская лаборатория держится на гибкости, а именно ее традиционная автоматизация обеспечить не может. Типичная заводская линия может выполнить один протокол 10 000 раз, тогда как моя лаборатория выполняет десятки протоколов в год, половина из которых новые; при этом мне приходится корректировать их прямо во время серии, если выход белка оказывается намного ниже ожидаемого или сборка ДНК завершается неудачей. К тому же мои приборы произведены разными поставщиками, и у каждого свое программное обеспечение, формат данных и драйвер. Их объединение — интеграционная задача, занимающая от нескольких месяцев до нескольких лет и способная стоить от тысяч до миллионов долларов, поэтому для большинства лабораторий она недоступна. Не существует ни стандартного рабочего процесса автоматизации протокола, ни доступного способа связать между собой приборы в большинстве академических лабораторий.

Чтобы найти недорогой и нетрудоемкий обход обоих препятствий, я объединил MHS с ИИ-агентом и провел в своей лаборатории несколько демонстраций. По сути, MHS дала агенту глаза, руки и чувство времени: он мог видеть состояние каждого прибора, запускать его и координировать совместную работу устройств.

Кейс 1: удаленная работа с лабораторией

До MHS мне приходилось ходить по лаборатории и проверять приборы. С MHS приборы передают свое состояние на единую панель, поэтому мы с коллегами можем следить за всей лабораторией с ноутбука или даже обращаться к ИИ-агенту с мобильного телефона, не заходя внутрь (рис. 2).

Удаленный мониторинг особенно полезен в экспериментах, требующих постоянного внимания. Хороший пример — количественная PCR (qPCR). qPCR амплифицирует, то есть копирует, целевую последовательность ДНК с помощью повторяющихся циклов нагрева и охлаждения; при этом флуоресцентный репортер светится ярче по мере накопления копий. Амплификация ДНК идет по S-образной кривой: при каждом цикле копирования число целевых последовательностей удваивается, поэтому сначала сигнал остается ровным, пока он еще слаб, затем резко растет, когда становится достаточно сильным для обнаружения, и снова выходит на плато в верхней части кривой, когда реагенты заканчиваются и число копий перестает удваиваться. Если реакция доходит до этого плато, библиотека ДНК искажается, и я уже не могу получить точные данные о конечном количестве амплифицированных последовательностей ДНК. Чтобы этого избежать, мне нужно следить за кривой и остановить реакцию в правильный момент. Это может занять много часов и требует постоянного наблюдения за экраном прибора.

MHS избавляет от этой монотонной работы: отслеживает и анализирует кривые амплификации по мере их поступления и сообщает результаты в реальном времени. Система распознает форму кривой и в точно выбранные моменты спрашивает исследователя, следует ли остановить процесс или продолжить. Получив команду остановиться, она прекращает реакцию и переводит прибор на следующий этап — выдерживание при 4 °C, которое предотвращает деградацию ДНК и сохраняет ее пригодной для последующих работ (рис. 3). Пока ИИ-агент и MHS следят за кривой, мы можем готовить на лабораторном столе последующие реакции секвенирования или анализировать в кабинете данные обогащения библиотек из других экспериментов.

Кейс 2: координация приборов при передаче планшета

Другие эксперименты не требуют мониторинга в реальном времени, но в них приходится многократно загружать образцы в прибор и извлекать их обратно (например, при высокопроизводительной амплификации ДНК, очистке белков и планшетных анализах вроде ELISA). Загрузка образца занимает всего несколько секунд, но каждый запуск длится час или два, поэтому мне приходится каждый час возвращаться в лабораторию лишь для замены планшетов.

Чтобы освободиться от целых дней, проведенных у лабораторного стола, мы использовали роботизированную руку с открытым исходным кодом на базе LeRobot, оснащенную MHS, для безопасной координации загрузки образцов в несколько приборов. В качестве демонстрации я воспроизвел одну типовую передачу в ходе высокопроизводительного эксперимента. В этом процессе дозатор жидкостей вносит реакционные реагенты в планшет; затем роботизированная рука снимает готовый планшет с рабочей поверхности и устанавливает на его место новый, после чего дозатор снова вносит реагенты уже в новый планшет. Claude Code управляет обоими приборами и координирует их через MHS, запуская каждый этап только после завершения предыдущего, поэтому во время передачи приборы никогда не сталкиваются.

Демонстрация прошла как задумано. После того как дозатор жидкостей закончил внесение, ИИ-агент получил сигнал о завершении и примерно через 10 секунд запустил следующее движение руки, которая сняла планшет с рабочей поверхности. В ходе многократных испытаний два прибора ни разу не столкнулись: рука никогда не двигалась до завершения дозирования, а дозатор не запускался, пока рука не освобождала зону планшета. Тем временем я наблюдал за всей серией с рабочего компьютера в кабинете, ничего не трогая. Передача такой координации ИИ-агенту в рамках встроенных в MHS стандартов безопасности указывает на будущее, в котором агент объединяет множество подобных этапов в ночную цепочку, пока лабораторный стол работает без присмотра.

Что дальше

Настроить MHS оказалось быстрее и проще, чем я ожидал, особенно с учетом прежних попыток автоматизации: неделями я оценивал платформы, добивался поддержки поставщиков, учился и создавал связующий код между приборами, а в итоге сдавался. Подключение шести приборов через MHS заняло меньше недели, включая время на написание драйверов. После подключения ИИ-агент работал с приборами почти без вмешательства с моей стороны: он обнаруживал каждое устройство, считывал его состояние и вызывал операции, не требуя от меня пошагового сопровождения интерфейса. Для человека, который годами обходил ограничения не умеющих общаться друг с другом приборов, это изменило повседневную работу сильнее, чем я предполагал. Время, которое раньше уходило на мониторинг кривых qPCR, теперь я трачу на планирование экспериментов, чтение статей и анализ данных — а иногда просто на сон и час на солнце.

Эти демонстрации пока остаются лишь подтверждениями концепции. Для надежной работы более сложных экспериментальных протоколов потребуется значительная оптимизация, а также интеграция более широкого набора и более сложных физических манипуляций. Непрерывная работа агента в течение длительных периодов мониторинга также требует вычислительных затрат, которые необходимо сопоставлять с экономией времени исследователя.

Несмотря на эти соображения, мы с энтузиазмом продолжим изучать, как MHS может помочь нам реализовать полностью автономный цикл «проектирование — создание — испытание — обучение». Сейчас каждый цикл проектирования или оптимизации белка de novo останавливается на этапах передачи, где я переношу результаты с одной стадии на следующую; в будущем, когда MHS предоставит агенту стабильный интерфейс к каждому прибору, этот цикл сможет выполняться самостоятельно. Я представляю, как агент предлагает набор конструкций, выполняет их создание и анализы, считывает результаты через тот же интерфейс и использует полученные знания для планирования следующего цикла. Лаборатория, способная таким образом самостоятельно генерировать научные данные цикл за циклом, начинает выглядеть достижимой даже при академическом бюджете.

Благодарности

Мы благодарим рецензента Pushya Krishna, а также Xander Balwit, Rebecca Hiscott, Ethan Dyer, Conor Kelly и Siddharth Mishra-Sharma за полезные отзывы. Мы признательны Alek Kemeny и Bailey Bova за помощь в настройке MHS. Особая благодарность Dr. Sudarshan Pinglay за вклад, поддержку и рекомендации по работе над блогом, а также Dr. David Baker за наставничество в моих исследованиях.

Sina Barazandeh, Arth Banka, Gün Kaynar, Jiayi Li, Peneeta Wojcik, Carl Kingsford, Jose Lugo-Martinez, Joshua Kangas

Ключевой компонент разработки лекарств — определение дозировки. После выявления кандидата в лекарственные препараты необходимо понять, какое количество вещества обеспечивает эффективность: слишком большая доза может быть дорогой или даже токсичной, а слишком малая — неэффективной. Подходящую дозировку обычно определяют методом серийных разведений. Мы начинаем с концентрированного раствора и каждый раз разводим его в одной и той же пропорции, используя последнее разведение для приготовления следующего. Например, смешиваем одну часть раствора с девятью частями растворителя и получаем образец с десятикратным разведением; затем берем одну часть этого образца, снова разводим таким же способом и повторяем процесс. На каждом этапе концентрация уменьшается на фиксированную величину, формируя равномерный, предсказуемый диапазон для испытаний.

Этот процесс занимает много времени и подвержен ошибкам; обычно требуется несколько итераций, чтобы определить правильную максимальную концентрацию и подходящий шаг между разведениями. Слишком высокая максимальная концентрация создает риск насыщения: сигнал достигает предела, а верхняя часть кривой выравнивается, поэтому высокие дозы перестают давать полезную информацию об ответе. Слишком малый шаг не охватывает достаточно широкий диапазон; слишком большой полностью перескакивает переходную область и пропускает точку, в которой ответ действительно меняется.

При ручном выполнении подготовка и проведение серии экспериментов с последовательными разведениями могут занимать недели. Это обременительно уже в традиционной разработке лекарств и тем более непрактично при высокопроизводительном скрининге в разработке лекарств под управлением ИИ, где требуется одновременно определить дозировки для множества кандидатов. Поэтому неудивительно, что эксперименты с серийными разведениями — одна из основных целей роботизированной лабораторной автоматизации.

К сожалению, настройка таких автоматизированных экспериментов сама по себе сложна и занимает много времени. Чтобы получить пригодную кривую «доза — ответ», необходимо координировать несколько единиц экспериментального оборудования на протяжении нескольких циклов эксперимента. Даже при наличии автоматизированной лаборатории — а это серьезное требование, учитывая необходимость нескольких совместимых с автоматизацией приборов и дорогого интеграционного ПО, — разработка процедуры проведения этих экспериментов может потребовать нескольких недель инженерной работы по автоматизации и созданию протокола.

Наше решение

MHS позволила нам проводить эти эксперименты примерно в три раза быстрее, предоставив ИИ возможность программно управлять несколькими единицами лабораторного оборудования. Наша система объединяет дозатор жидкостей CyBio Felix — робота, который переносит точные объемы жидкости между лунками, пробирками и планшетами, — микропланшетный ридер Varioskan LUX — прибор, измеряющий оптический сигнал, например флуоресценцию, в каждой лунке микропланшета, — роботизированную руку для перемещения 96-луночных планшетов и камеры наблюдения с оркестратором под управлением ИИ для автоматического и динамического измерения кривых «доза — ответ».

Каждым компонентом по отдельности сложно управлять программно: для него требуются уникальный интерфейс и особые режимы работы. Обычно, прежде чем приборы смогут работать вместе, инженеру приходится изучить каждый из них и вручную написать отдельную интеграцию. Однако с MHS мы смогли с нуля разработать драйверы для всех этих приборов и слой оркестрации, позволяющий агенту Claude Opus 4.8 автономно выполнять весь протокол. Это заняло около восьми часов вместо нескольких недель, обычно необходимых на создание системы поставщиком.

Оборудование, конфигурация и рабочий процесс

В нашей установке используются три компьютера. Компьютер 1 управляет роботизированной рукой с помощью ПО планирования, которое вместо обычного API принимает файлы заданий, помещаемые в каталог отправки. На компьютере 2 через устаревший скриптовый интерфейс Windows ActiveX/COM работает дозатор жидкостей, а по USB подключены камеры наблюдения. На компьютере 3 работает микропланшетный ридер, у которого вообще нет программного интерфейса — только экранный GUI. MHS преобразует каждое из этих устройств в единый манифест состояний — условий, в которых может находиться система, например: планшет в позиции 3, образец при 25 °C, лунка заполнена, — и процедур — операций, которые она может выполнять, например аспирация или встряхивание. Поэтому модель работает через один согласованный интерфейс независимо от того, какой из трех способов управления компьютером используется на нижнем уровне.

Сам рабочий процесс идентичен тому, что был до MHS, но теперь им управляет агент: дозатор жидкостей готовит серию разведений; проверка камерой подтверждает наличие и правильную ориентацию планшета, прежде чем будет разрешен какой-либо перенос; рука перемещает планшет в ридер; ридер выполняет измерение; модель рассматривает полученную кривую и решает, скорректировать ли диапазон концентраций и повторить эксперимент или принять результат. Для проверки мы использовали колориметрический краситель — интенсивность его цвета соответствует концентрации — как замену реальному кандидату в лекарственные препараты. Благодаря этому эксперимент оставался безопасным и наглядным, но по-прежнему требовал тех же решений, что и настоящий эксперимент «доза — ответ».

Интерфейс каждого прибора создает собственные трудности. Планировщик роботизированной руки основан на наблюдении за каталогом и для каждого отправленного XML-файла создает два разных файла, которые MHS должна свести в один чистый результат — обычно в течение секунды после отправки. Дозатор жидкостей предоставляет только COM-скриптинг без современного SDK, поэтому каждый пригодный метод пришлось определять либо по документации поставщика, либо с помощью агента Claude Opus 4.8, исследовавшего интерфейс для написания рабочего драйвера. Один цикл дозирования занимает около четырех-пяти минут, а допустимая погрешность внесенного объема составляет всего 5% — при ее превышении полученная кривая становится непригодной. Используемая нами версия ПО микропланшетного ридера не имеет никакого API, поэтому MHS управляет его GUI так же, как это делал бы человек, и может сверять свои действия только с тем, что видно на экране.

Раньше человеку приходилось лично сопровождать каждый этап: следить за журналом роботизированной руки на предмет сбоев, проверять правильность установки планшета и решать, достаточно ли информативна полученная кривая, чтобы ее сохранить, или нужно скорректировать диапазон концентраций и полностью повторить эксперимент. Теперь MHS и агент принимают все три решения напрямую и автоматически.

Чего мы достигли с помощью MHS

Чтобы проверить, что MHS будет работать безопасно и корректировать свои действия так же, как человек-оператор, мы искусственно создали шесть разных условий: отсутствие планшета, повернутый планшет, занятый ридер, отключенная камера, недоступное устройство и активная аварийная остановка. Система правильно заблокировала все шесть ситуаций до начала движения любого устройства. Затем мы попросили агента провести эксперимент с серийными разведениями и получить приемлемую кривую. Модель оценила полученную кривую, но сочла аппроксимацию слишком плохой для принятия (R² < 0,9 из-за насыщения в верхней части диапазона концентраций) и самостоятельно решила удалить планшет и повторить эксперимент на новом планшете с суженным диапазоном концентраций: максимальную концентрацию 200 µg/mL уменьшили до 100 µg/mL. Вторая серия дала сильную, пригодную аппроксимацию (R² > 0,98 при вариации 3,4 между повторными измерениями) без какого-либо участия человека.

Самым впечатляющим аспектом MHS стала скорость интеграции. От готовности исходного неавтоматизированного оборудования до завершенной кривой разведения, включая один автономный повторный запуск, прошло восемь часов. Для сравнения: поставщику обычно требуется несколько недель, чтобы предоставить работоспособную автоматизированную установку. Приборы, как обычно, работают под управлением собственного штатного ПО; MHS добавляет поверх него слой оркестрации, и дополнительное ПО автоматизации не требуется. Можно интегрировать любое устройство с интерфейсом API, SDK или GUI. Драйверы, разработанные для каждого прибора, стандартизированы и будут опубликованы, чтобы другие могли использовать их повторно, а не выполнять интеграцию с нуля.

Что дальше

Дальнейшая работа в нашей лаборатории будет сосредоточена на проверке системы с реальными кандидатами в лекарственные препараты и замене цветового сигнала красителя показателями, отражающими реальные биологические эффекты. Мы также планируем расширить поддержку MHS на такие приборы, как qPCR-системы и микроскопы, и интегрировать агентов на базе MCP с парком MHS. Кроме того, мы надеемся сократить время интеграции одного прибора, чтобы масштабировать систему для более крупных рабочих процессов.

Мы также заботимся о том, чтобы эта автоматизация выполнялась безопасно. Мы планируем добавить дополнительные проверки безопасности, отслеживать отклик приборов и устройств на протяжении экспериментов и уточнять протоколы, определяющие, когда и каким образом для решений высокого риска требуется одобрение человека. Мы с интересом продолжим изучать, как еще можно ускорить автоматизацию наших экспериментов, поскольку MHS помогает исследователям работать быстрее и безопасно.

Достаточно нескольких ночей с нарушенным сном, чтобы возникли масштабные расстройства: изменения когнитивных функций, нарушение регуляции обмена веществ, ослабление иммунной системы. Если это продолжается достаточно долго, недостаток сна может даже привести к смерти. Однако мы до сих пор не до конца понимаем почему. Отчасти сон так трудно изучать потому, что он не локализован в каком-то одном органе. Поскольку сон — это состояние всего животного, для механистического понимания сна необходимо одновременно проводить измерения во многих частях организма.

Микроскопия дает возможность это сделать. Клетки, генетически модифицированные для экспрессии флуоресцентных сенсоров, испускают свет, который сигнализирует об их активности; микроскопы позволяют визуализировать эти сигналы с высоким временным и пространственным разрешением и наблюдать за работой клеток. Однако большинство животных слишком велики или непрозрачны, чтобы такая визуализация охватывала весь организм. Поэтому в своей работе я использую молодых рыб данио-рерио. Этот модельный организм популярен благодаря малому размеру и прозрачности, а его органы и многие аспекты физиологии сна сходны с таковыми у млекопитающих, включая человека.

Эти свойства в сочетании с разработанным мною экспериментальным подходом под названием WHOLISTIC imaging позволяют нам с помощью двухфотонной микроскопии регистрировать клеточную активность во всем мозге и теле живой рыбы данио-рерио. Вместо отдельных снимков изолированных тканей мы можем от момента к моменту наблюдать, как клетки и органы реагируют и взаимодействуют во всем организме, что дает нам более глубокое понимание участвующих клеток и механизмов, лежащих в основе физиологических процессов. [источник]

Управление устройствами и их координация через единый интерфейс

Приборы, необходимые для моих экспериментов, занимают целую комнату. Как это часто бывает в сложных микроскопических установках, мой комплекс собран из множества компонентов, каждый из которых приобретался отдельно у другого производителя и подключался вручную: мощные фемтосекундные лазеры; быстрые гальванометрические зеркала, сканирующие лазерным лучом микроскопа по образцу; сверхчувствительные фотоумножительные детекторы, регистрирующие возвращающийся свет; и два прецизионных трансляционных столика, один из которых позиционирует рыбу относительно держателя образца, а другой — держатель образца относительно микроскопа.

Эти устройства должны работать по строго согласованному общему расписанию: лазер необходимо стробировать синхронно со сканирующими его зеркалами, а столик должен компенсировать смещение, если животное движется или образец выходит из фокальной плоскости. Однако эти устройства не проектировались для совместной работы. Каждое поставляется с собственной управляющей программой производителя, а общего интерфейса нет. Более того, они часто работают на разных языках программирования: детекторы — в MATLAB, камеры — в Python, электрофизиологическая система — в C#. Поэтому величина, которой располагает одна программа, например положение столика, неизвестна другим. Но устройствам необходимо обмениваться данными: например, каждый столик должен знать положение другого, чтобы система могла определить абсолютное положение образца.

Из-за этой несовместимости я трачу много времени на то, чтобы заставить устройства обмениваться данными: пишу специализированный код, связывающий две программы, а иногда вынуждена добавлять еще одно устройство — плату сбора данных (DAQ), которая физически маршрутизирует и преобразует электрические сигналы, чтобы устройства могли взаимодействовать. Даже когда все подключено, для запуска одного эксперимента мне все равно приходится запускать семь программ в строго заданном порядке. Этот процесс чреват ошибками: неверная последовательность запуска может стоить всей экспериментальной сессии.

MHS заменяет такие соединения «точка — точка» единым интерфейсом. Теперь каждое устройство описывается и подключается к системе один раз, а его переменные, элементы управления и значения датчиков записываются в единый словарь, размещенный в общей памяти — области памяти компьютера, к которой операционная система разрешает обращаться множеству программ.

Преимущество состоит в том, что стоимость интеграции оборудования перестает расти вместе с количеством устройств. До MHS добавление нового оборудования в систему было многодневным проектом. Однако после внедрения MHS, когда я добавила новую камеру для визуализации лазерного луча, это заняло всего несколько минут, и я смогла бесшовно передавать выходные данные камеры — положение луча — обратно на управляющие лучом зеркала, что позволило точнее его юстировать. Теперь запуск эксперимента требует одного нажатия на панели MHS вместо семи отдельных действий.

Количественный мониторинг и анализ в реальном времени

Даже после подключения оборудования мне по-прежнему нужно выполнять множество проверок и корректировок параметров до и во время экспериментов, чтобы обеспечить получение высококачественных данных. Сюда входят наблюдение за состоянием рыбы, проверка фокусировки камеры на сердце для измерения вариабельности сердечного ритма и оценка качества флуоресцентного изображения, чтобы убедиться, что нужные мне клетки видны с высоким разрешением. Каждая проверка требует вычисления производной величины из одного из множества потоков данных, создаваемых установкой, например отношения сигнал/шум флуоресцентных данных или частоты сердечных сокращений рыбы.

Раньше такой количественный мониторинг был трудоемким: каждый поток данных собирала отдельная программа, а значения, которые каждая программа держала в памяти, во время записи было нелегко прочитать из любой другой программы. До MHS у меня было три варианта, и ни один не был оптимальным. Во-первых, я могла собрать данные и проанализировать их позже, корректируя параметры между запусками после сохранения данных на диск. Но это занимало часы и иногда заканчивалось обнаружением того, что запись непригодна. Во-вторых, я могла визуально оценить данные в программе просмотра от производителя. Это было быстро, но давало лишь общее впечатление, а не точное измерение, сопоставимое между запусками. В-третьих, я могла встроить аналитический код в программу, выполняющую запись. Но это было неудобно, поскольку код приходилось переписывать для каждой программы, создающей поток данных. Отображение потоков данных также отнимало много времени: каждому приложению требовалась собственная специализированная программа просмотра, написанная на том же языке, что и программа записи.

MHS объединила этот фрагментированный процесс и устранила необходимость переписывать код для каждой программы. С MHS каждый поток данных хранится в общей памяти в словаре состояния MHS в документированном формате, доступном для чтения любому подключившемуся к нему процессу. Поскольку все потоки данных представлены единообразно, код анализа или визуализации теперь можно повторно использовать с разными устройствами и писать на любом языке.

Это позволило мне написать модульную среду анализа в реальном времени, которая проводит данные через цепочку этапов обработки: данные поступают из слота — записи в словаре состояния MHS, проходят через повторно используемые преобразования — операции над данными, — а результат записывается в другой слот или на диск. Для визуализации я написала набор программ просмотра — по одной на тип данных, а не по одной на устройство: для изображений, временных рядов, спектров и так далее. Теперь любой поток данных можно исследовать прямо в ходе его сбора, и для анализа нового потока мне не нужно переписывать код. Когда меня заинтересовало, как меняется частота сердечных сокращений данио-рерио в цикле сна и бодрствования, я смогла добавить преобразование для вычисления спектрального состава сердечной активности, регистрируемой камерой, и на этой основе оценить частоту сердечных сокращений; затем я смогла повторно использовать этот код для вычисления спектра одновременно регистрируемой нейронной активности, полученной другим устройством на другом языке. Теперь результаты усиливают друг друга в единой кодовой базе, а не распределяются по отдельной базе для каждого устройства.

Проведение более интеллектуальных экспериментов с агентами

Эксперименты всегда требуют компромиссов. Например, при визуализации мне приходится выбирать между скоростью и охватом: я могу быстро сканировать одну плоскость — один тонкий оптический срез мозга — или медленно сканировать множество плоскостей, охватывая большую часть мозга. Чтобы найти интересующие меня клетки с осциллирующей активностью, нужен широкий охват, но чтобы измерить эту активность, нужна скорость.

Сегодня большинство экспериментов носят баллистический характер: в начале я выбираю один набор настроек, одно условие и запускаю эксперимент. Поэтому точку компромисса приходится выбирать до того, как данные подскажут, какая именно точка мне нужна. Эксперименты длятся часами, так что все это время оставаться у установки непрактично, а биология слишком вариативна и сложна, чтобы поручить поиск простому детерминированному алгоритму. В идеале мне не пришлось бы выбирать одно в ущерб другому: я могла бы провести широкий поиск, найти популяцию клеток с интересующей меня осциллирующей активностью, а затем исследовать именно эту область достаточно быстро, чтобы разрешить фазовые соотношения между клетками.

Очевидный путь к этому — агентная микроскопия: позволить агенту определить интересующую область и увеличить ее. Но исторически реализовать это было гораздо сложнее, чем сформулировать. Трудность не в том, чтобы агент итеративно писал аналитический код и выяснял, куда нужно приблизиться; трудно добиться, чтобы он надежно управлял установкой, где команды приводят в движение реальные устройства, а сбой означает столкновение объектива или потерю агентом тех нескольких часов, в течение которых подготовленный образец остается пригодным, из-за особенностей полудюжины программ от разных производителей.

Именно здесь MHS оказалась для меня особенно полезна. Когда состояние всей установки представлено в общем стандартизированном словаре, агенты могут читать и записывать любую переменную через единый интерфейс вместо семи API производителей, что устраняет специфичные для каждого из них режимы отказа. Я написала простую программную обвязку, которая сделала мою установку доступной для управления ИИ-агентом. Основной детерминированный цикл попеременно выполняет сбор и анализ данных, а каждый результат служит основой для следующего решения. Агент включается в точках принятия решений, выбирая параметры сбора данных — например, какую область визуализировать — и вид анализа, выполняемого в реальном времени или офлайн, в соответствии с заданной пользователем целью. А поскольку MHS обеспечивает соблюдение ограничений безопасности на уровне устройств, мне не нужно беспокоиться, например, что агент случайно задаст чрезмерную мощность лазера, из-за чего флуоресцентные молекулы могут выцвести, а образец — деградировать. Я все еще разрабатываю эту среду и контролирую эксперименты, но она уже позволила мне найти осциллирующую популяцию, которую при фиксированных настройках мы бы пропустили, поэтому для получения того же количества пригодных записей мне требуется меньше повторных запусков и меньше животных.

В дальнейшем я хочу понять, как эти осцилляции в мозге влияют на сон и возбуждение, чтобы мы с коллегами могли определить мишени для препаратов, обеспечивающих восстановительный сон, а не просто седацию. Для этого нужно составить карту клеток, связанных с осцилляцией, а затем проводить синхронизированные с ее фазой эксперименты с возмущением, чтобы раскрыть механизм, с помощью которого эти клетки формируют глобальное состояние мозга. Это предполагает подгонку моделей к активности тысяч клеток по мере поступления данных, а затем запуск световой активации конкретных нейронов — метода, называемого оптогенетикой, — непосредственно во время записи.

Такие эксперименты с замкнутым контуром сложны, поскольку требуют быстро координировать множество устройств в установке, собранной из оборудования нескольких производителей, у которого нет общего интерфейса с низкой задержкой. MHS обеспечивает скорость и адаптивность, оставаясь при этом понятной и людям, и агентам. Она не отменяет компромиссы, присущие визуализации клеточной активности, — например, между скоростью и охватом или между яркостью сигнала и продолжительностью его сохранения, — поскольку они определяются физикой. Но она меняет скорость, с которой я могу исследовать пространство параметров, находить подходящий набор и последовательно проверять экспериментальные условия и гипотезы. Благодаря MHS я теперь с нетерпением жду дня, когда управление оборудованием перестанет ограничивать вопросы, которые я могу задавать.

Проект Виржини Рюттен — лишь один из нескольких проектов Janelia, использующих MHS. Другая команда под руководством Арко Баста из лаборатории Спрастона визуализирует нейроны и их дендриты глубоко в мозге живых мышей, пока те учатся ориентироваться в виртуальной среде, наблюдая формирование воспоминаний в реальном времени. MHS выросла из идеи Арко поместить состояние всей установки в стандартизированный словарь в общей памяти, а его специализированный микроскоп стал первой установкой, работавшей на этой системе. Каждый лазер, зеркало и датчик его установки доступен через MHS, поэтому Claude может юстировать лучи, настраивать оптику и сверять собственные результаты с показаниями датчиков, превращая полдня ручной настройки в одно действие. Еще одна команда под совместным руководством Магдалены Шнайдер и Хари Шроффа использует MHS для агентного управления светолистовым микроскопом. Это позволяет Claude выступать в роли оркестратора и в реальном времени решать, как визуализировать развивающиеся эмбрионы C. elegans и какие компромиссы выбирать между конкурирующими параметрами визуализации. Во всех проектах MHS помогла исследователям сократить время интеграции и дала ИИ-агентам возможность управлять сложными сочетаниями приборов, визуализации данных и анализа, прокладывая путь к более быстрым открытиям в самых разных областях. [источник]

Перспективность квантовых вычислений заключается в способности использовать свойства квантовой механики для выполнения расчетов, недоступных даже крупнейшим суперкомпьютерам. Подход QuEra на основе нейтральных атомов использует естественные квантово-механические явления, наблюдаемые в отдельном атоме, как основу таких расчетов. Почти все аспекты управления, работы и считывания этих атомных кубитов — квантовых битов, хранящих информацию компьютера, — осуществляются посредством управляемого взаимодействия лазера с атомами.

Чтобы это работало, каждый лазер должен поддерживать свой цвет — частоту, измеряемую в Гц, — с поразительной точностью, примерно до одной триллионной. Это эквивалентно измерению расстояния от Земли до Луны с точностью до толщины человеческого волоса. Физики называют лазер «захваченным», когда его частота удерживается с такой точностью. Обычные возмущения — изменение температуры, вибрация или перепад давления — могут увести лазер с требуемой частоты и сорвать «захват», из-за чего квантовые операции начинают давать сбои. Когда квантовые компьютеры выполняют длительные программы с коррекцией ошибок, отклонение лазера от целевой частоты в середине выполнения может испортить вычисление, которое формировалось часами.

В центре этой работы находится титан-сапфировый лазер — универсальный перестраиваемый инструмент, на который атомная физика и квантовые технологии опираются более 20 лет. Традиционно такими лазерами управляли вручную, а специалисты настраивали их для отдельных экспериментов. В квантовых компьютерах QuEra специалистам помогает программное обеспечение, способное обнаруживать и исправлять наиболее распространенные возмущения до потери захвата. Но потенциальные источники сбоев настолько динамичны и разнообразны, что предусмотреть их все заранее невозможно, поэтому при новых или редких сбоях по-прежнему требуется вмешательство специалиста. Для этого нужен опытный оператор, который должен одновременно следить за несколькими приборами и определять, что сместилось, что и в каком порядке исправлять и когда можно доверять результату. Обычно восстановление частоты занимает от 5 до 10 минут.

В университетских лабораториях этот навык передается от одного аспиранта другому, и если захват срывается в два часа ночи, кому-то приходится просыпаться и ехать в лабораторию для восстановления. Для университетской лаборатории это неудобство и неэффективность. В масштабе парка оборудования компании, занимающейся квантовыми вычислениями, совершенно недопустимо, чтобы этим набором навыков владели лишь несколько человек.

Учитывая обширность и изменчивость пространства возможных проблем, сложность управляемого оборудования и критическую важность этой лазерной системы для работы квантового компьютера, команда QuEra выбрала автоматическое восстановление лазера в качестве удачного первого сценария испытания MHS (рисунок 3).

Чего мы достигли с MHS

Идея автоматизировать восстановление лазера была для QuEra не нова. До MHS команда из инженера по лазерным системам, инженера-программиста, специалиста по алгоритмам и тестировщика несколько месяцев разрабатывала специализированный скрипт для его автоматизации. Этот скрипт восстановления шаг за шагом воспроизводил действия человека у установки: отключить функцию, удерживающую захват; по очереди пройти по элементам настройки лазера; проверять частоту после каждой настройки; начинать заново, если частота по-прежнему отклонена; и снова включать захват, когда частота станет правильной. Но скрипт срабатывал лишь примерно в 58% случаев, а одна попытка занимала около 150 секунд.

Поскольку скрипт автоматизирует в точности действия специалиста, он наследует и те же недостатки. Линейная последовательность не может учесть изменение, возникшее в середине процесса, поэтому, когда сдвиг температуры или давления воздуха — например, из-за того, что кто-то открыл дверь лаборатории, — сводит на нет уже успешно выполненный шаг, процедуру восстановления приходится начинать заново. Это справедливо и для инженера у установки, и для скрипта; отчасти именно поэтому восстановление человеком занимает от 5 до 10 минут. Автоматизация ускорила последовательность действий, но недостаточно, чтобы опередить возмущения. Этим объясняются и 150 секунд на попытку, и 42-процентная доля неудач.

QuEra передала ту же задачу Claude через MHS. Сначала команда задала в контексте агента цель — написать автономный скрипт на Python для повторного захвата лазера — и критерий успеха: восстановить захват с первой попытки, а затем удерживать его 30 секунд. В первый раз это заняло у нас день или два; теперь требуется лишь несколько часов. Затем мы создавали возмущения, после которых агент должен был восстановить систему: перекрывали луч, отключали питание приборов, имитируя скачок напряжения, и на разную величину уводили частоту от целевого значения. MHS предоставила Claude доступ, позволив считывать показания приборов и перемещать органы управления так же, как это делал бы оператор-человек.

После такой настройки агентный цикл выполнялся в четырех ролях, каждую из которых исполнял новый экземпляр Claude. Один предлагал гипотезу, как ускорить или повысить надежность восстановления; второй вносил это изменение в скрипт восстановления; третий запускал обновленный скрипт на реальном лазере и протоколировал каждый шаг; четвертый читал журнал и решал, что изменить дальше (рисунок 4). Этот цикл без присмотра повторялся сотни раз на протяжении всей ночи, и каждый проход итеративно улучшал скрипт. К утру восстановление занимало около шести секунд и срабатывало в 96% случаев по сравнению с исходными 150 секундами и 58% (рисунок 5).

Это улучшение стало результатом того, что Claude переписал линейную последовательность в виде дерева решений. Вместо единого пути для любого возмущения итоговый скрипт считывает показания каждого прибора, формирует условия «если — то» на основе этих показаний и вносит корректировки в зависимости от конкретного физического возмущения и закономерности, которую Claude выявил при многократных столкновениях с ним. Например, если частота сместилась совсем немного, большинство органов управления лазером ничего не изменят, поэтому скрипт воздействует лишь на один или два, не трогая остальные. Оператору-человеку все равно пришлось бы проверить их все, поскольку убедиться в правильности настройки можно только проверкой. Claude нашел короткий путь, раз за разом создавая возмущения, пока закономерность поведения захвата не стала ясна. Преимущество Claude заключалось в способности делать это чрезвычайно быстро, в темпе, недоступном ни одному оператору.

Затем мы испытали готовый скрипт на том же рандомизированном наборе искусственно создаваемых возмущений, уже без участия агента. В 700 испытаниях он 695 раз восстанавливал правильный захват, что соответствует успешности 99,3%. Самые сложные возмущения, при которых частота уходила далеко от целевого значения, устранялись за 10–14 секунд против 5–10 минут у человека за установкой, а более простые — за 0,9–5,4 секунды (рисунок 5). Итоговым продуктом стал детерминированный, полностью доступный для проверки скрипт, способный работать в промышленной эксплуатации без управления со стороны ИИ-агента.

Добившись значительно более надежного захвата лазера, мы затем направили агента на повышение качества захвата, то есть на снижение частоты его срывов. Оно определяется 12 взаимозависимыми параметрами, известными как PID, внутри сервоконтура (показан на рисунке 3). Правильная настройка устраняет остаточный шум захвата, что повышает точность вентилей компьютера и делает срывы реже. Для точного измерения этого шума необходимо записать осциллограмму и выполнить ее преобразование Фурье, а человеку нереалистично делать это после каждого небольшого изменения двенадцати параметров. Вместо этого специалист обычно ориентируется на сообщаемую сервосистемой среднеквадратичную ошибку (RMS), которая служит достаточно хорошим приближением качества захвата. Параметры PID дрейфуют при изменениях температуры и давления, поэтому цель — добиться настройки, достаточно хорошей для некоторого периода устойчивой работы, а когда захват начинает ухудшаться — перенастроить систему. Видео ниже показывает влияние всего трех из этих параметров.

Команда направила Claude на то же значение RMS, но после каждой без исключения корректировки он также записывал осциллограмму и вычислял полный спектр; за ночь это было сделано сотни раз. Именно в этом человек не может с ним сравниться. Минимизация ошибки RMS обычно действительно обеспечивает наименьший шум во всей полосе, и специалист с многолетним опытом, как правило, обоснованно ей доверяет. Но Claude не требовалось принимать это на веру: он мог после каждого изменения подтверждать точную величину остаточного шума и продолжать прочесывать пространство поиска, пока не мог гарантировать, что нашел минимальный реально достижимый уровень шума.

Параметры лазера уже были настроены специалистом QuEra, и при этой рабочей настройке остаточная ошибка составляла 15,7 мВ. За 363 эксперимента и 16 часов работы без присмотра Claude снизил ее до 1,55 мВ — примерно в 10 раз уменьшил шум по оптимизируемой им метрике RMS (рисунок 7). Для независимой проверки специалист заново настроил тот же лазер своим обычным методом, не зная, что нашел Claude, после чего оба набора параметров проверили анализатором фазового шума — редким специализированным прибором для измерения абсолютного фазового шума, то есть величины флуктуаций на каждой частоте. Эта проверка также позволила корректно сравнить наборы параметров PID. Настройка агента соответствовала настройке специалиста по всей полосе, за одним исключением: на резонансе около 220 кГц ручная настройка оставила примерно в тысячу раз больше шума, чем настройка Claude. Это именно та ошибка, которая может возникнуть при использовании эвристики RMS и которой удалось избежать методом Claude. Последняя проверка касалась самого важного на практике: как долго сохраняется каждая настройка. За 19-часовой запуск PID-параметры Claude ни разу не потеряли захват, тогда как PID-параметры, настроенные специалистом, приводили к срыву примерно 1,6 раза в час. В отличие от контроллера повторного захвата, этот процесс настройки сохраняет агента в контуре, чтобы корректировать параметры по мере изменения условий.

Что дальше

Контроллер повторного захвата был создан для одной лазерной системы. Но квантовый компьютер содержит множество лазерных систем с похожими потенциальными точками отказа, не говоря уже о множестве других подсистем, которые выполняют иные функции, но столь же точны, хрупки и сложны и требуют столь же тщательного внимания со стороны немногочисленных специалистов.

В пилотном проекте MHS и ИИ-агенты не заменили таких специалистов полностью. Если во время экспериментов что-то происходило с физическим оборудованием, Claude не знал, как диагностировать неисправность, поскольку его понимание установки было программным, а не физическим. Кроме того, Claude часто останавливался в ожидании подтверждения человека перед выполнением действия, которое считал хотя бы немного рискованным; из-за этого эксперименты иногда приостанавливались на всю ночь, пока Claude ждал разрешения. И все же чрезмерно осторожный агент предпочтительнее недостаточно осторожного. Наконец, чтобы Claude правильно выполнял задачи, команде приходилось предоставлять ему огромный объем контекста о том, чего они хотят от эксперимента и как Claude должен его проводить.

Даже с этими ограничениями пилотный проект показал, что ИИ-агент способен существенно улучшить управление такими системами, а некоторые ограничения должны ослабнуть по мере роста возможностей моделей и формирования у них более глубокого понимания оборудования. Далее QuEra планирует развернуть систему восстановления захвата на действующих квантовых процессорах, оформить процесс настройки как отдельный инструмент и применить выводы этого эксперимента к другим подсистемам, постепенно создавая парк машин, которые все лучше обслуживают себя сами.

Подробнее о пилотном эксперименте читайте в блоге QuEra. [источник]

С 1960-х годов в лабораториях существуют автоматизированные машины, способные выполнять пипетирование, герметизацию, встряхивание, перемещение лабораторной посуды и большинство других функций биологической лаборатории. Однако подавляющее большинство биологических экспериментов по-прежнему проводится вручную. Одна из причин состоит в том, что большинство биологических экспериментов по своей природе динамичны: от запуска к запуску меняются количество образцов, формат планшета и число условий, равно как и научные параметры — например, глубина ряда разведений, время инкубации, количество временных точек и так далее.

Преобразование одной конфигурации эксперимента в автоматизированный рабочий процесс занимает у специалиста, которого называют инженером по автоматизации, недели или месяцы. Поэтому автоматизация окупается только тогда, когда одна конфигурация повторяется в огромном масштабе, например при высокопроизводительном скрининге, где один метод применяется к библиотеке из сотен тысяч соединений. Основная часть экспериментов остается ручной и наследует все связанные с этим потенциальные ошибки и проблемы воспроизводимости.

Tetsuwan создает автоматизированную биологическую лабораторию, доступную исследователям и агентам через API. Без возможности автоматизировать конфигурации как малого, так и крупного масштаба наша лаборатория была бы ограничена нынешними скромными возможностями лабораторной автоматизации. Для решения этой проблемы мы создали ResearchOS. ResearchOS — это платформа автоматизации, которая позволяет пользователям за считанные минуты создавать, запускать и управлять автоматизированными рабочими процессами без предварительного опыта лабораторной автоматизации. Claude помогает пользователям преобразовывать протоколы на естественном языке в скрипт, написанный на нашем синтаксисе для экспериментов, который затем обрабатывается специализированным компилятором и превращается в код автоматизации.

ResearchOS связывает пользователей с автоматизированной лабораторией, но сама лаборатория представляет собой чрезвычайно сложную задачу оркестрации. В конце концов, это целый зверинец пипетирующих роботов,1 роботизированных манипуляторов и автоматизированной лабораторной посуды: все они используют разные языки и обладают собственными особенностями. Мы внедрили MHS, чтобы использовать Claude в качестве слоя оркестрации над этим парком, обеспечив обмен данными между устройствами и с пользователем. Для проверки MHS мы задействовали платформу в гражданском научном проекте в городе Пасифика, Калифорния: проводили количественные ПЦР (qPCR), чтобы определить источники фекального загрязнения ручья Сан-Педро, которое десятилетиями сохранялось на опасно высоком уровне. [источник]

Внедрение MHS в рабочий процесс qPCR

Полимеразная цепная реакция (PCR), один из наиболее распространенных протоколов во многих биологических лабораториях, копирует ДНК с помощью лишь металлического блока, называемого термоциклером, который нагревается и охлаждается. ДНК — двухцепочечная молекула, и при нагревании цепи разделяются, чтобы их можно было скопировать. При охлаждении праймеры — короткие фрагменты ДНК, соответствующие краям области, которую требуется скопировать, — прикрепляются к этим цепям и обозначают, где должно начаться копирование. Последующее нагревание цепей, уже не столь сильное, позволяет ферменту, называемому полимеразой, продлить каждый праймер вдоль цепи, к которой он прикреплен, копируя ее. В qPCR добавляется краситель, который светится ярче по мере накопления копий, поэтому мы можем определить, сколько копий было изначально. Это можно использовать для измерения активности гена, обнаружения и количественного определения патогена в образце пациента и, как в нашем случае, измерения количества конкретного организма в образце окружающей среды.

Для qPCR требуется вязкий, похожий на мыло реагент, известный как «мастер-микс», который содержит общие для реакций химические компоненты. Из-за этих свойств жидкости мастер-микс особенно склонен образовывать пузырьки и пену при пипетировании, что может приводить к неточному дозированию и снижению качества эксперимента. С помощью MHS мы смогли подключить камеру, которая выявляет такие ошибки и запускает автоматический процесс восстановления.

В одном случае камера обнаружила пузырьки в мастер-миксе, находившемся в пробирке, которую держал роботизированный манипулятор. Сам манипулятор ничего не мог сделать для устранения пузырьков. Поэтому ResearchOS просканировала лабораторию в поисках подключенных к MHS устройств, способных помочь, а Claude предложил нам через Slack стратегию обработки ошибки: перенести пробирку в центрифугу и ненадолго запустить ее на низкой скорости, чтобы жидкость собралась на дне лунки и пузырьки исчезли. Затем через MHS Claude смог передать центрифуге соответствующие команды.

Этот слой оркестрации также позволяет протоколам оставаться независимыми от конкретного оборудования. Например, протокол может предписывать центрифугировать планшет при 15 000 × rpm в течение пяти минут, не указывая конкретный тип центрифуги. ResearchOS может с помощью MHS опросить сеть, найти совместимую центрифугу, изучить интерфейс ее драйвера, а затем использовать Claude для преобразования заданной протоколом силы в параметры, которые принимает именно эта машина. Например, для машины, принимающей только скорость вращения ротора, это означает деление силы на радиус ротора центрифуги. Автору протокола даже не нужно знать, какая центрифуга использовалась и как было выполнено преобразование единиц.

Открыть исходный видеоматериал Anthropic

Улучшение эвристик компилятора с помощью MHS

Мы также использовали Claude для настройки оптимизационного эксперимента с замкнутым контуром, чтобы улучшить наш компилятор, преобразующий высокоуровневый код в инструкции, исполняемые лабораторным оборудованием. Мы взяли наш протокол qPCR и скомпилировали его в набор реалистичных рабочих списков, охватывающих различные схемы эксперимента, например проверку разных наборов праймеров с различными сочетаниями образцов, количеством образцов и повторами — многократными запусками одного и того же образца. На этой основе мы определили, сколько разных типов переноса жидкости способен реализовать наш компилятор. Затем мы испытали эти переносы на роботе в разных условиях и измерили их правильность и прецизионность с помощью индикаторного красителя. После завершения эксперимента Claude через MHS получал от планшетного ридера данные о правильности, анализировал и визуализировал их и предлагал изменения для улучшения модели прецизионности переноса в нашем компиляторе. Благодаря более точным прогнозам и известным систематическим смещениям — предсказуемым ошибкам измеренных значений — компилятор смог принимать более обоснованные компромиссные решения о компоновке машины и повторном использовании наконечников, что в конечном счете поможет сделать наши эксперименты быстрее, дешевле и точнее.

В ходе этого эксперимента мы проверили 9 143 отдельных дозирования, 300 уникальных типов переноса (жидкость × наконечник × объем × количество дозирований × избыточная аспирация) и 1 508 измеренных условий для четырех типов жидкости. В отложенных экспериментах модель, которую помогли уточнить Claude и MHS, прогнозировала прецизионность многократного дозирования примерно на 12% точнее технической спецификации производителя и превзошла ее в 31 из 45 запусков (p ≈ 0,001 по знаковому критерию). На наших данных с наибольшим количеством повторов преимущество выросло примерно до 17%.

Предварительные данные по ручью Сан-Педро

Хотя это были лишь первые испытания, предварительные данные нашего qPCR-тестирования подтвердили вывод Коалиции водосборного бассейна ручья Сан-Педро о том, что основным источником фекального загрязнения ручья Сан-Педро являются люди. Мы использовали qPCR для амплификации фрагментов бактериальной ДНК, специфичных для разных организмов-хозяев, в том числе людей, лошадей, птиц и собак. [источник]

Мы смогли обнаружить присутствие E. coli с помощью общего маркера 16S, а также присутствие бактерий Bacteroides с использованием праймера AllBac. 16S — ген рибосомной РНК, общий для всех бактерий. Если разработать наборы праймеров для исследования участков 16S, содержащих межвидовые различия, можно определить вид хозяина — в данном случае E. coli.

Мы также наблюдали отчетливую амплификацию ассоциированных с человеком Bacteroides при использовании праймеров HF183 и BacH. Другие специфичные для хозяина Bacteroides в нашем эксперименте не обнаруживались. В будущих экспериментах мы намерены точнее установить источник загрязнения и количественно оценить концентрацию ассоциированных с человеком Bacteroides в сточных водах.

В конечном счете улучшенная интеграция устройств, оркестрация и восстановление после ошибок в реальном времени, которые обеспечивает MHS, будут иметь решающее значение для устранения разрыва между оборудованием, учеными и моделями. По мере того как такие инструменты, как ResearchOS и MHS, расширяют возможности лабораторной автоматизации, эксперименты, как мы полагаем, будут становиться все более доступными, воспроизводимыми и программируемыми.

Чтобы подробнее узнать об оптимизации и аспектах гражданской науки в этом проекте, посетите наш блог. [источник]

1 В лабораторной автоматизации они известны как «дозаторы жидкостей» (liquid handlers). Обратите внимание, что манипуляторы с шестью степенями свободы (6-DoF) — не то же самое, что дозаторы жидкостей: дозаторы оптимизированы именно для пипетирования, а не для общего применения. Рабочие ячейки, объединяющие несколько лабораторных роботов в единую систему, обычно используют и дозаторы жидкостей — для пипетирования, и роботизированные манипуляторы — для перемещения планшетов и другой лабораторной посуды.