A Closed-Loop Robot Scientist for Autonomous Biological Discovery
Dit artikel introduceert MOMbot, een autonome robotwetenschapper die multimodale fysieke interventies integreert met actief leren en hoogresolutie-beeldvorming om efficiënt uitgestrekte biologische parameterruimten te verkennen en complexe input-outputrelaties over diverse biologische systemen heen te ontdekken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Het leven is geen statisch beeld; het is een constante conversatie tussen cellen en hun omgeving. Elk levend wezen, van een enkele cel tot een complex dier, reageert op de fysieke wereld om zich heen. Cellen voelen de aantrekkingskracht van zwaartekracht, de druk van vloeistofstroming, de warmte van de zon en de vonk van elektriciteit. Wetenschappers weten al lang dat deze fysieke signalen net zo belangrijk zijn als chemische signalen bij het vertellen van een cel wat ze moet doen, zoals wanneer ze moet delen, wanneer ze moet bewegen of hoe ze zichzelf in een specifiek weefsel moet vormen. Toch, ondanks alles wat we weten over deze signalen, is het verkennen van hoe ze samenwerken een traag, handmatig proces geweest. Onderzoekers moesten traditioneel experimenten met de hand opzetten, waarbij ze één variabele tegelijk aanpasten, zoals het aanpassen van de temperatuur of het toevoegen van een druppel een chemische stof, en dan wachtten om te zien wat er gebeurde. Deze methode is te traag om het uitgestrekte landschap van mogelijkheden in kaart te brengen, waarbij tientallen verschillende fysieke krachten op talloze manieren gecombineerd en afgewisseld kunnen worden om het leven te beïnvloeden.
Om dit op te lossen, heeft een team onderzoekers een nieuw soort laboratoriumassistent gebouwd: een robotwetenschapper die niet alleen experimenten kan uitvoeren, maar ook kan beslissen welke experimenten hij vervolgens moet uitvoeren. Deze machine, genaamd MOMbot, is ontworpen om te verkennen hoe fysieke krachten levende systemen vormgeven. De machine staat in een laboratorium en houdt vijf aparte werkstations vast, die elk in staat zijn om twee kleine schaaltjes met levend biologisch materiaal te bevatten. In deze schaaltjes kan de robot vier verschillende soorten fysieke veranderingen introduceren: het kan precieze hoeveelheden chemicaliën toedienen, zachte trillingen aanbrengen, elektrische velden creëren of de temperatuur veranderen. Cruciaal is dat de robot gekoppeld is aan een kunstmatige intelligentie die de levende cellen bekijkt via hogeresolutiecamera's. Terwijl de robot experimenten uitvoert, analyseert de AI de resultaten in realtime en gebruikt die informatie om het eerstvolgende experiment te kiezen. In plaats van dat een mens raadt wat de volgende stap is, leert de robot van zijn eigen fouten en successen, waarbij hij zijn inspanningen concentreert op de gebieden waar hij het minst weet, wat precies de plekken zijn waar de meest interessante ontdekkingen waarschijnlijk verborgen liggen.
De onderzoekers testten dit systeem op drie zeer verschillende soorten levende materie om te bewijzen dat het een breed scala aan biologische schalen kan afhandelen. Eerst werkten ze met losse cellen afgenomen van de huid van een kikkervraat-embryo. In een normale schaal zouden deze cellen gewoon afzonderlijk rondzweven. Maar wanneer de robot een specifiek patroon van trillingen toepaste, werden de cellen samengedreven tot dichte clusters. Gedurende een periode van enkele dagen organiseerden deze clusters zich van nature tot kleine, functionele organen die uit zichzelf konden bewegen, compleet met haarachtige structuren die in unisonie bewogen. Dit toonde aan dat de robot niet alleen cellen kon bewegen, maar ze ook kon begeleiden bij het bouwen van complexe, werkende weefsels vanuit het niets, zonder menselijke tussenkomst.
Vervolgens testte het team het vermogen van de robot om chemische omgevingen en temperatuur te controleren. Ze plaatsten kleine, bewegende organoïden in de schaaltjes en introduceerden een chemische stof genaamd waterstofperoxide. De robot leverde verschillende hoeveelheden van deze chemische stof en observeerde hoe de organoïden reageerden. Bij een lage dosis bewogen de organoïden sneller, maar bij een hoge dosis vertraagden ze en stopten ze. De robot testte ook hoe temperatuur de groei van hele kikkervraat-embryo's beïnvloedt. Door verschillende stations in te stellen op verschillende temperaturen, variërend van koel tot warm, observeerde de robot dat embryo's in het warmere water ongeveer drie keer sneller ontwikkelden dan die in het koelere water, precies wat wetenschappers verwachtten. Deze tests bevestigden dat de robot de fysieke omgeving nauwkeurig kon controleren en de biologische respons met hoge precisie kon meten.
Het meest significante deel van de studie was echter het vermogen van de robot om zelfstandig te leren. De onderzoekers wilden zien of de AI de exacte relatie kon begrijpen tussen een elektrische schok en het gedrag van een bewegende organoïde. Ze wisten dat een korte schok misschien niets deed, terwijl een zeer lange schok de organoïde voorgoed zou stoppen, maar ze wisten niet precies het punt waarop het gedrag veranderde. Een mens zou misschien honderden willekeurige tests moeten uitvoeren om dit kantelpunt te vinden. De robot, geleid door zijn AI, deed iets slimmers. Hij begon door een paar willekeurige duur-testen uit te voeren, en gebruikte vervolgens de resultaten om te raden waar de "onzekerheid" het grootst was. De robot realiseerde zich dat de meest waardevolle informatie zou komen van het testen van duur-waarden rond het punt waar de organoïden begonnen te stoppen met bewegen. De AI concentreerde zijn experimenten in deze specifieke, onzekere zone, en negeerde de gebieden waar de uitkomst al duidelijk was. Uiteindelijk vond de robot de kritieke duur die de helft van de organoïden immobiliseerde veel efficiënter dan wanneer hij simpelweg willekeurige tijden zou hebben getest.
Dit werk laat zien dat een robotwetenschapper succesvol de lus kan sluiten tussen het uitvoeren van een experiment en het leren ervan. Het systeem bewees dat het diverse biologische materialen kon afhandelen, van enkele cellen tot hele embryo's, en meerdere soorten fysieke prikkels gelijktijdig kon toepassen. Door de AI te laten beslissen welke experimenten uitgevoerd moeten worden, was het team in staat om een complexe biologische respons in kaart te brengen met veel minder proeven dan traditionele methoden zouden vereisen. De studie beweert niet alle mysteries van de biologie te hebben opgelost, maar het vestigt een krachtig nieuw instrument. Het suggereert dat de toekomst van biologische ontdekking wellicht ligt bij machines die onvermoeibaar fysieke hypothesen kunnen testen en bij elke resultaat kunnen leren om de volgende stap te sturen, waardoor wetenschappers de verborgen regels van het leven kunnen verkennen met een snelheid en diepgang die voorheen onmogelijk was.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.