衡量 AI 在湿实验室加快生物研究进程的能力

📢 转载信息

原文链接：https://openai.com/index/accelerating-biological-research-in-the-wet-lab

原文作者：Nikolai Eroshenko、Miles Wang、Rachel Smith、Liliana Abramson、Tejal Patwardhan、Kemo Jammeh、Chase Olle、Azadeh Samadian、Nitin Mahadeo

---

2025年12月16日

推动科学进步是人工智能惠及人类的关键途径之一。随着 GPT‑5 的出现，我们已经看到初步迹象⁠：它不仅能帮助研究者更快速地处理科学文献，还能支持新的科学推理形式，包括揭示潜在关联、提出证明策略，或生成可由专家评估与实验验证的机制假设。

到目前为止，最明显的成果集中在数学、理论物理和理论计算机科学等领域，在这些领域中，相关观点可以在没有实际实验的情况下得到严格检验。生物学则有所不同：其大多数突破依赖于实验执行、反复迭代，以及实验室中的经验性验证。

为深入了解前沿模型在相关环境中的行为，我们与生物安全初创企业 Red Queen Bio 合作，建立了一套评估框架，用于检验模型在湿实验室中提出、分析及迭代实验方案的能力。我们设计了一个简单的分子生物学实验体系，并让 GPT‑5 优化分子克隆实验流程的效率。

经过多轮实验，GPT‑5 引入了一种新机制，使克隆效率提高了 79 倍。克隆是分子生物学的基本工具，其方法效率对于构建大型复杂库至关重要，而这些库在蛋白质工程⁠（在新窗口中打开）、基因筛选⁠（在新窗口中打开）和生物株系工程⁠（在新窗口中打开）中发挥核心作用。本项目为我们提供了一个窗口，展示人工智能如何与生物学家协作以加快研究速度。改进实验方法不仅能帮助研究人员更快推进工作，还能降低成本，并将科学发现转化为实际应用。

由于生物学推理的进展可能带来生物安全方面的影响，我们在严格管控的环境下开展了这项工作：采用无害的实验系统、限定任务范围，并对模型行为进行评估，以便为我们的生物安全风险评估，以及模型和系统层面的安全防护措施提供依据。这些措施已在我们的准备框架⁠（在新窗口中打开）中有所阐述。

实验结果

在这一实验设置中，GPT‑5 能够自主推理克隆流程，提出改进方案，并结合新实验数据进一步提出优化建议。唯一的人为干预是科学家执行修改后的实验流程并上传实验数据。

在多轮实验过程中，GPT‑5 优化了克隆流程，使效率提升超过 79 倍。也就是说，在相同数量的输入 DNA 下，我们获得的序列验证克隆数量比基线流程多出 79 倍。最值得注意的是，它引入了两种酶，构成了一种新的机制：来自大肠杆菌的重组酶 RecA，以及噬菌体 T4 基因 32 的单链 DNA 结合蛋白 (gp32)。两者协同作用时，gp32 能够抚平并解开松散的 DNA 末端，而 RecA 则引导每条链找到正确的配对。

虽然目前仍处于早期阶段，但已展现出积极的前景。这些改进特定于我们在模型系统中采用的克隆设置，并且仍需由科学家来建立和执行相关实验流程。即便如此，这些实验显示，人工智能系统能够在实际实验室工作中提供有力支持，并有望在未来加快科学家的研究速度。

尤其值得强调的是，AI 实验室循环在固定提示条件下运行，且没有任何人工干预。这一支撑框架揭示出：在缺乏人类指导时，模型具有提出新颖的实验流程改进的能力，但同时也让系统局限于探索，限制了其充分利用新发现的思路。如果能在探索与利用之间实现更好的动态平衡，可能会带来更多效益，因为无论是酶促方案改进还是转化改进，都还有相当大的优化空间。我们预计，随着规划能力和长程任务推理的进步，简单的固定提示将能更好地支持探索工作与后续优化。

用于优化现实实验流程的进化框架

自 2009 年问世以来，Gibson 组装⁠（在新窗口中打开）已成为分子克隆的主要方法，并在分子生物学中得到广泛应用。该方法通过短暂熔解 DNA 末端，使匹配序列能够结合为单一分子，从而实现 DNA 片段的“粘合”。其突出优势在于简便性：所有反应在同一试管、同一温度下完成。然而，这些约束条件也为进一步改进提供了空间。此外，以下特征使其成为评估 AI 模型改进湿实验室技术能力的理想体系：

• 组件明确且可控，不同于细胞体系
• 优化目标清晰：由固定量线性 DNA 输入生成可转化的环状 DNA
• 实验周期较短（1–2 天）
• 高维设计空间，需要机制性推理来改进：缓冲液、试剂与温度相互依赖

我们采用 HiFi 组装⁠（在新窗口中打开）作为优化起点，该体系由 New England Biolabs 开发，基于 Gibson 组装的专有酶系统。我们探索了在去除单步和等温限制后，人工智能是否能够通过实验反馈进行创新，并识别流程改进。

在具体实验中，我们进行了双片段克隆反应，使用绿色荧光蛋白 (GFP) 基因和常用的 pUC19 质粒 — 一种标准 DNA 载体，用于将基因导入细菌以实现复制。实验目标是提高成功菌落的数量。

我们通过引入一个进化框架来迭代方案，从而优化了克隆反应，使模型能够从其以往实验中进行“在线”学习。在每一轮中，GPT‑5 提出 8–10 种不同反应，若涉及实验室暂时缺乏的定制试剂，则推迟至后续轮次。科学家随后执行这些反应，并在初步筛选中测量了菌落数量，与基线的 HiFi Gibson 组装进行比较。上一轮的最佳数据被输入到下一轮。需要强调的是，提示过程完全标准化，除澄清问题外无人工干预，从而确保新颖的机制性见解可直接归因于 AI，而非人为引导。

我们在更广泛的 DNA 稀释范围内，重新测试了整个优化系列中的前八个反应，发现许多反应的效果较初筛有所减弱；最终，最强的验证候选来自第 5 轮的一个反应，该反应成功重现了原始表现。许多高表现反应属于连接酶修饰家族，该类反应对感受态细胞状态及反应后 DNA 处理的微小差异高度敏感。由于这些反应包含短暂的 HiFi 步骤，我们推测许多产物在进入大肠杆菌时，可能只有一侧连接已封闭，另一侧仅通过退火保持稳定，后续的封闭则依赖细胞的修复途径完成。这会导致结果具有较高的方差，并呈现出“头奖式”效应：即使大多数情况下，这些反应变体表现并不突出，但只要出现一个足够强的离群者，就能将整个家族带入后续的轮次。

由于克隆反应在机制上较为复杂，我们在多轮实验中重点进行了优化；与此同时，我们并行地采用单轮“一次性”(one-shot) 优化来改进转化流程，在该轮中模型提出了多种独立的条件变化，我们最终选取了表现最佳的反应。

在采用标准化提示、完全无人工干预的条件下，GPT‑5 将端到端克隆效率提升了 79 倍，这一结果在多次实验重复中得到验证。

值得注意的是，模型提出了一种新的酶促组装流程，并将其命名为 RecA-Assisted Pair-and-Finish HiFi Assembly (RAPF-HiFi)。该流程在反应中额外引入两种蛋白质：来自大肠杆菌的重组酶 RecA，以及噬菌体 T4 基因 32 的单链 DNA 结合蛋白 (gp32)。此外，模型还对孵育温度、时间以及酶加入的时序进行了刻意调整：它建议先进行一次 50 °C 的初始 HiFi 反应，随后加入 RecA 与 gp32，并在 37 °C 条件下发挥作用，最后再回到 50 °C 完成组装。上述改动整体上使组装效率进一步提升了 2.5 倍以上。需要指出的是，这些结果仅代表在未对反应条件与时序进行迭代优化前的初始表现。

20 uL reaction volume
100 ng pUC19 vector, HindIII/KpnI-digested
64.3 ng Monster GFP insert, DpnI-digested PCR amplicon
10 μL NEBuilder 2x HiFi DNA Assembly Master Mix
50C - 30 min; 4C hold

在转化步骤中，最有效的改动出乎意料地简单：将细胞离心沉淀（使其聚集于管底）、移除一半的悬液体积，并在 4 °C 下重悬细胞后再加入 DNA。尽管高效化学感受态细胞通常被认为较脆弱，但这些细胞对浓缩处理表现出良好耐受性，而分子碰撞频率的提升显著增强了转化效率（在最终验证中提升超过 30 倍）。

同源性克隆的新型优化策略

T5 外切酶产生 3′ 悬垂末端，gp32 通过抑制二级结构来稳定这些末端。随后 RecA 从 3′ 端侵入，取代 gp32 并促进同源序列搜索与退火。加热至 50 °C 可去除两种蛋白，从而使聚合酶进行缺口填充并完成连接。

Gibson 组装的原理是通过赋予 DNA 片段互补的“黏性末端”，使它们能够彼此识别并连接。该反应依赖两种不同的酶（聚合酶与连接酶）来封闭已连接的片段。RAPF-HiFi 流程引入了两种额外的蛋白质，以增强匹配步骤的效率。其一是 gp32，作用类似“梳子”，能够抚平并理顺松散的 DNA 末端；其二是 RecA，充当“向导”，为每条链寻找正确的配对伙伴，并将匹配片段拉拢在一起。升高温度会使这两种辅助蛋白从 DNA 上解离，从而让常规的 Gibson 酶完成反应。

综上，我们推测表现提升的机制如下：

• gp32 包裹未退火的单链 DNA (ssDNA) 尾部，消除二级结构
• RecA（通常受结构抑制）从 3’ 端侵入并取代 gp32 丝状体
• RecA 介导 ssDNA:ssDNA 的同源性搜索⁠（在新窗口中打开），促进退火
• 温度回升至 50 °C 时，RecA 与 gp32 丝状体均被解离，使聚合酶与连接酶得以完成反应

为验证新型酶的功能，并排除性能提升仅由温度步骤或缓冲液变化导致的可能性，我们测试了缺失 RecA，以及同时缺失 RecA 与 gp32 的 RAPF-HiFi 表现。结果显示，两者的表现均低于完整的 RAPF-HiFi，说明这两种蛋白均为 RAPF-HiFi 作用机制的必要元素。

RAPF-HiFi 的开发表明，GPT‑5 具备复杂的多维度推理能力：

• RecA 受 DNA 结构抑制⁠（在新窗口中打开），而值得注意的是，模型同时提出了两项协同改进：一方面引入 RecA，另一方面辅以 gp32 去除 DNA 的二级结构。
• 大肠杆菌 RecA 的天然伙伴是大肠杆菌单链结合蛋白 (SSB)。SSB 在基因组复制、重组和修复过程中发挥与 gp32 类似的角色。然而，大肠杆菌 SSB 并不能以足够快的速率从 DNA 上自发解离，从而限制 RecA 丝状体的生长；而 RecFOR 复合物促进 RecA 在 SSB 丝状体上的成核⁠（在新窗口中打开）。SSB 以稳定的四聚体形式结合 DNA，解离速率极慢⁠（在新窗口中打开）。相比之下，gp32 丝状体更具动态性⁠（在新窗口中打开），从而使 RecA 能够将其取代。

据我们所知，RecA 与 gp32 尚未在分子生物学方法中联合使用。与许多新型分子生物学技术类似，其底层的生化活性早已被研究，但将其作为一种实用且可推广的方法才构成真正的进展。

例如，RecA 与 gp32 的相互作用已在体外机制性重构实验中得到研究：在 D 环形成实验中，gp32 被证明⁠（在新窗口中打开）能够增强 RecA 活性。gp32 曾与其天然的 T4 重组酶伙伴 UvsX 及重组酶装载因子 uvsY 一同用于重组酶聚合酶扩增 (RPA)⁠（在新窗口中打开）。尽管 RPA 专利说明书指出⁠（在新窗口中打开），在异源系统中使用大肠杆菌 RecA 与改造的（非野生型）gp32 蛋白可实现有效的 RPA 反应，但这一说法仅在部分专利披露中作为旁注出现，迄今未见公开数据支持，也未被采纳为稳健的 RecA-RPA 体系。另一种称为 SLiCE⁠（在新窗口中打开） 的克隆方法使用含 λ Red 重组系统的大肠杆菌全细胞提取物，其中 Red beta 可能同时充当 DNA 结合蛋白与重组酶（而我们在提示中明确禁止使用细胞提取物）。在另一应用中，Ferrin 与 Camerini-Otero⁠（在新窗口中打开） 曾单独使用 RecA，来选择性捕获具有匹配序列的 DNA 分子。另外，gp32 已被用作 PCR DNA 扩增过程中的添加剂，⁠（在新窗口中打开）以减少二级结构。NABSA 扩增被证明⁠（在新窗口中打开）可分别由 RecA 与 gp32 增强，但未发现二者的协同效应。广泛而言，对 Gibson 类 DNA 组装反应的改进讨论十分稀少，其中较为显著的例子是耐热 DNA 结合蛋白 (ET SSB)，其可使组装效率提高约 2.5 倍⁠（在新窗口中打开）。

在多数应用中，我们并不认为 RAPF-HiFi 会取代 HiFi/Gibson 克隆的简便与稳健。然而，机制上完全不同的组装方式的出现，本身就颇具意义：GPT‑5 提出了一个解决方案，以不常见的方式结合了重组蛋白与反应动态系统。其底层机制可能具有模块化潜力，为其他分子流程提供可重用或可重组的组分。我们也在持续探索 RAPF-HiFi 的改进方向。反应温度与步骤时长可加以调节，以平衡 RecA 与 gp32 的活性与外切酶过度消化之间的关系；两种蛋白的用量亦有待优化。GPT‑5 还提出了一种高活性 RecA 变体，我们正在进行纯化。

关于转化流程，成功的优化条件涵盖了一系列旨在增强商业 10-beta 感受态细胞⁠（在新窗口中打开）热激效率的添加剂与热扰动。在所测试的 13 种 AI 生成的“一次性”(one-shot) 转化流程中，最有效的改动是转化流程 7 (T7)：将细胞沉淀、移除一半悬液体积，并在 4 °C 条件下重悬后再加入 DNA。高效化学感受态细胞通常被认为较脆弱，因此这类操作往往被避免。然而，细胞对浓缩处理表现出良好耐受性。每个细胞 DNA 暴露量增加与缓冲液抑制作用减少，共同导致更为锐利的热激，从而显著提升转化效率（超过 30 倍）。

这一转化流程颇为新颖，尽管已有论文提出在早期步骤对细胞进行浓缩的类似方法⁠（在新窗口中打开）。值得注意的是，GPT‑5 开发的方法可直接兼容市售的化学感受态细胞，无需实验室自行制备，同时在相似的细胞株上，其效率提升超过了已有方法的所知水平。

机器人系统

为提高模型实验体系的处理效率，Robot on Rails 与 Red Queen Bio 联合打造了一套机器人系统，该系统能够接收自然语言形式的克隆流程，并在湿实验室中加以执行。

该系统整合了三大组件：1) 人机接口语言模型，将普通英文指令转化为机器人操作；2) 视觉系统，实时识别与定位实验器材； 3) 机器人路径规划器，确定如何安全、准确地完成各项操作。由此形成了一种灵活且通用的实验室机器人，并进一步针对 Gibson 克隆流程的变体进行了优化。