de.wedoany.com-Bericht: Enhe Technology (Bota Biosciences) hat eine kompilierbare biologische Protokollsprache BPL und deren Code-Generierungstool BPL-COGEN entwickelt, um Künstlicher Intelligenz zu ermöglichen, biologische Experimentabläufe wirklich zu verstehen und auszuführen.
Im Bereich der Bioproduktion stellen Laboroperationen höchste Anforderungen an die Präzision. Fehler bei Einheiten, Parameterabweichungen oder vertauschte Schritte bei Pipettieroperationen, Temperaturaufzeichnungen oder dem Transfer von Kulturschalen können zum Scheitern des Experiments führen. Obwohl KI Wissenschaftler bei der Versuchsplanung unterstützen kann, fällt es ihr schwer, tatsächlich ins Labor zu gehen und Operationen durchzuführen. Dies liegt vor allem am natürlichen Mangel an Standardisierung in der Biologie: Unterschiedliche Arbeitsgewohnheiten der Experimentatoren, verschiedene Geräteschnittstellenformate und uneinheitliche Datenstrukturen. Ein Großteil der experimentellen Erfahrung existiert nur im menschlichen Gehirn, was die Reproduzierbarkeit von Experimenten erschwert, die Datenakkumulation behindert und eine Automatisierung verhindert.
Frühere akademische Versuche mit Standardisierungslösungen wie BioCoder, Autoprotocol, Antha und LabOP hatten Probleme wie begrenzte Ausdrucksfähigkeit, Bindung an bestimmte Geräte oder hohe Einstiegshürden. Enhe Technology hat kürzlich ein entsprechendes Forschungsdokument auf der Life-Science-Preprint-Plattform bioRxiv veröffentlicht, das eine kompilierbare und verifizierbare biologische Beschreibungssprache BPL vorschlägt.
BPL ist nicht nur eine Beschreibungssprache, sondern auch eine kompilierbare Sprache. Vor Beginn des Experiments führt das System eine Softwaresimulation des Experiments durch und prüft, ob die Einheiten korrekt sind, ob Reagenzien vorhanden sind, ob das Behältervolumen überschritten wird und ob logische Konflikte zwischen den Schritten bestehen. Bei Problemen meldet das System sofort einen Fehler, anstatt auf das Scheitern des Experiments zu warten. Basierend auf BPL hat Enhe Technology das Tool BPL-COGEN entwickelt, das natürlichsprachliche Experimentanforderungen automatisch in standardisierten BPL-Code übersetzt. Dieser durchläuft dann die Compiler-Prüfung, einen iterativen Prozess aus Fehlererkennung, automatischer Reparatur, erneuter Prüfung und weiterer Reparatur, bis der Code die Kompilierung und Simulationsvalidierung besteht. Anschließend synchronisiert das System die konformen Anweisungen an das Labor, um das physische Experiment zu starten.
Um die Genauigkeit der Generierung von Experimentplänen zu bewerten, wählte das Forschungsteam 30 klassische Experimentprotokolle aus Nature Protocols aus, die Bereiche wie Molekularbiologie, Zellkultur und biochemische Analyse abdecken, und erstellte einen speziellen Benchmark-Datensatz. Dieser Benchmark verwendet eine Kombination aus LLM-Bewertung und objektiver Compiler-Validierung und bewertet anhand von drei Dimensionen: Inhaltsübereinstimmung, Planwirksamkeit und experimentelle Vollständigkeit. Die Ergebnisse zeigen, dass bei 10-maliger Wiederholung der Codegenerierung für dasselbe Experiment 98,3 % der Ergebnisse vollständig identisch waren, mit einer Gesamtpunktzahl von 95,1 Punkten, wobei die Punktzahl für die Planwirksamkeit 98,7 Punkte erreichte. Bei der Compiler-Validierung wurden insgesamt 343 Probleme erkannt, darunter Einheitenkonflikte, Behälterüberladung und undefinierte Reagenzien. Die Compiler-Durchlaufquote des vom Modell in der ersten Runde generierten Codes betrug 82,3 %. Nach maximal drei Runden automatischer Reparatur erreichte die Gesamtdurchlaufquote 98,6 %, wobei nur 1,4 % der Probleme nicht behoben werden konnten.
Das Enhe-Team führte auch zwei Nasslabor-Validierungen durch. Erstens wurde derselbe BPL-Code in ein manuelles Bedienungshandbuch und ein Ausführungsskript für einen automatischen Pipettierroboter umgewandelt; die Sequenzierungs- und Fluoreszenzergebnisse der beiden Systeme zeigten keine signifikanten Unterschiede. Zweitens wandelte das System in einem Flüssigchromatographie-Experiment den ursprünglich 32-minütigen Analyseprozess automatisch in ein 2,1-minütiges Ultra-Hochleistungsverfahren um. Fünf fettlösliche Substanzen wurden vollständig basisliniengetrennt, und die Trennreihenfolge stimmte vollständig mit der ursprünglichen Methode überein.
Basierend auf der BPL-Sprache hat Enhe Technology die Physical-AI-Plattform SAION AI für den Bereich der Bioproduktion veröffentlicht. Die Plattform positioniert sich als KI-Wissenschaftler und besteht aus drei Schichten: Die kognitive Schicht ist für das Verständnis wissenschaftlicher Probleme und die Generierung von Experimentplänen verantwortlich, die Steuerungsschicht für die BPL-Kompilierung, Validierung und Aufgabenplanung, und die Ausführungsschicht für den Antrieb realer Experimentiergeräte zur Durchführung von Operationen. Im Szenario der Stammesentwicklung kann SAION AI die Effizienz eines einzelnen Forschungsprojekts von etwa 500 Stammexperimenten pro Jahr im traditionellen Modus auf 30.000 Experimentgruppen pro Projekt im gleichen Zeitraum steigern, mit vollständig unbeaufsichtigter Experimentdurchführung und Datenrückführung.
Enhe Technology wurde 2019 in Hangzhou gegründet und baute frühzeitig die Physical-AI-gesteuerte Biofoundry Cell2Cloud auf, die den gesamten Prozess von der Stammesentwicklung über die Prozessentwicklung bis hin zur großtechnischen Produktion abdeckt. Dieses System generiert kontinuierlich zehn Millionen reale Experimentdaten und verbindet Millionen von Literatur- und Patentwissensdaten. Der Gründer und CEO Cui Hao erwarb seinen Bachelor-Abschluss an der University of Toronto in Kanada und promovierte in Medizintechnik und Medizinphysik in einem gemeinsamen Programm der Harvard Medical School und des MIT. Während seiner Promotion veröffentlichte er als Erst- oder Hauptautor in Zeitschriften wie Science, Nature Nanotechnology und PNAS und hält Patente im Bereich Synthetische Biologie und automatisierte Experimente.
Im Jahr 2021 schloss Enhe Technology eine Serie-B-Finanzierungsrunde in Höhe von 100 Millionen US-Dollar ab, an der sich Investoren wie Sequoia China, 5Y Capital, Source Code Capital, Baidu, Meituan, BASF und Matrix Partners beteiligten. Das Unternehmen arbeitet derzeit mit Unternehmen wie NHU, SYENSQO, Yili, BASF, Proya und Pechoin in den Bereichen Lebensmittel, Ernährung und Gesundheit sowie Körperpflege zusammen.
Die Branche vergleicht BPL mit Electronic Design Automation (EDA) in der Halbleiterindustrie. Vor dem Aufkommen von EDA war das Chipdesign stark von der Erfahrung der Ingenieure abhängig, mit hohen Validierungskosten und langen Iterationszyklen. Der Wert von EDA liegt darin, das Chipdesign in beschreibbare, verifizierbare und simulierbare digitale Vermögenswerte umzuwandeln. Die Rolle von BPL in der Bioproduktion ist ähnlich; es ist nicht nur ein Werkzeug zur Steigerung der Experimenteffizienz, sondern auch eine grundlegende Infrastruktur für die industrielle Zukunft, die es KI ermöglicht, von einem reinen Anbieter von Schlussfolgerungen für Experimente zu einem KI-Wissenschaftler zu werden, der eigenständig Nasslabor-Operationen durchführen kann.
