Älskar det här projektet!! Grattis @samuelhking, @pdhsu och den @arcinstitute besättningen! mina 2 cent: AI som används för biologisk design ses bäst som en översättare.  Tillåter oss att prata på engelska och få det översatt till DNA och vice versa.  Vi vet inte hur man designar en av delar, men Evo 1/2 tränades genom att "läsa" över 2 miljoner faggenom från naturen och lärde sig därför att "tala"-DNA.  Så då kan vi be den att generera en – precis som du kan be ChatGPT att generera en dikt åt dig på kinesiska även om du inte talar den själv. Vi hade redan tränat AI-modeller på proteinernas språk med modeller som Alphafold och ESM och det fungerade bra – den här artikeln visar att vi kan göra det på en högre komplexitetsnivå.  Denna AI-modell talar om flera genfaggenom, inte bara enskilda gener.  Mycket spännande demonstration och arbetet bevisar det på ett fint sätt genom att faktiskt tillverka och testa designade fager. De fungerar! Det finns två saker som enligt min mening är självklara framtida riktningar och som i slutändan kommer att lyckas: (1) Modellen bör tränas om baserat på vad den lär sig om fagerna som designades så att den kan bli bättre på att förstå vad människan ber om och översätta det till DNA.  Denna "reinforcement learning" liknar hur Google lärde AI-modeller att spela schack - du låter modellen spela ett parti och sedan berätta för den om den vann eller förlorade.  Här skulle du låta modellen designa miljontals fager, bygga dem i labbet och sedan berätta för den hur de olika designerna presterade. (2) Vi bör se om modeller som tränats på miljontals bakteriegenom kan göra det möjligt för oss att bygga en AI-designad hel bakteriecell liknande det som gjordes här för en. Detta kommer att se om vi kan gå från att översätta en engelsk begäran till en DNA-bok (500 000 DNA-bokstäver för den enklaste bakterien) snarare än fagens DNA-dikt (5 000 DNA-bokstäver i en).  Detta skulle vara en vetenskaplig milstolpe på nationell nivå eftersom celler är byggstenarna i allt liv och USA bör se till att vi når det först. För att kunna göra både (1) och (2) behöver vi dramatiska förbättringar av effektiviteten i att utföra den faktiska våtlabbsbiologin som behövs för att bygga DNA och testa organismers prestanda.  Det är en indikation på att de bara byggde 302 fagkonstruktioner och testade 16 konstruktioner - det beror på att våtlaboratoriearbete är för långsamt och dyrt.  Svaret på det är labbautomatisering – jag har varit glad att se NSF investera 100 miljoner dollar i AI-kontrollerbara, automatiserade molnlaboratorier och andra insatser som kommer att göra USA:s vetenskapliga infrastruktur mer effektiv och i industriell skala.  Vita husets AI-handlingsplan pekade också på behovet av dessa "molnaktiverade laboratorier". Återigen, fantastiskt arbete !!

I ett nytt preprint från @brianhie:s labb rapporterar teamet den första generativa designen av livskraftiga bakteriofaggenom. Genom att utnyttja Evo 1 och Evo 2 genererade de helgenomsekvenser, vilket resulterade i 16 livskraftiga fager med distinkta genomiska arkitekturer.