es.wedoany.com Noticia: Enhe Technology (Bota Biosciences) ha desarrollado un lenguaje de protocolo biológico compilable, BPL, y su herramienta de generación automática de código, BPL-COGEN, con el objetivo de permitir que la inteligencia artificial comprenda y ejecute realmente los procesos experimentales biológicos.
En el ámbito de la biomanufactura, las operaciones de laboratorio requieren una precisión extremadamente alta. Acciones como la manipulación de pipetas, el registro de temperatura y la transferencia de placas de cultivo pueden provocar el fracaso del experimento si se producen errores de unidad, desviaciones de parámetros o inversión de pasos. Aunque la inteligencia artificial puede ayudar a los científicos a diseñar planes experimentales, le resulta difícil entrar realmente en el laboratorio para ejecutar las operaciones. Esto se debe principalmente a la falta inherente de estandarización en los experimentos biológicos: diferentes operadores tienen hábitos distintos, los formatos de interfaz de los equipos varían y las estructuras de datos no son uniformes. Gran parte de la experiencia experimental reside únicamente en la mente humana, lo que dificulta la reproducibilidad de los experimentos, la acumulación de datos y el cierre del ciclo de automatización.
Anteriormente, el ámbito académico había intentado soluciones estandarizadas como BioCoder, Autoprotocol, Antha y LabOP, pero presentaban problemas como capacidad de expresión limitada, vinculación a equipos específicos o un alto umbral de uso. Recientemente, Enhe Technology publicó un artículo de investigación relacionado en la plataforma de preimpresión de ciencias de la vida bioRxiv, proponiendo un lenguaje de descripción biológica compilable y verificable, BPL.
BPL no es solo un lenguaje de descripción, sino también un lenguaje compilable. Antes de iniciar un experimento, el sistema realiza una simulación experimental a nivel de software, verificando si las unidades son correctas, si los reactivos existen, si la capacidad del contenedor no se excede y si hay conflictos lógicos entre los pasos. Si se detecta algún problema, el sistema informa directamente del error, en lugar de esperar a que el experimento falle para rehacerlo. Basándose en BPL, Enhe Technology desarrolló además la herramienta BPL-COGEN, que traduce automáticamente las necesidades experimentales descritas en lenguaje natural a código BPL estandarizado. Luego, este código pasa por la fase de verificación del compilador, que itera entre la detección de errores, la reparación automática, la verificación continua y la reparación continua, hasta que el código supera la compilación y la validación por simulación. El sistema sincroniza entonces las instrucciones conformes al laboratorio para iniciar el experimento físico.
Para evaluar la precisión en la generación de planes experimentales, el equipo de investigación seleccionó 30 planes experimentales clásicos de Nature Protocols, que abarcan áreas como biología molecular, cultivo celular y análisis bioquímico, y construyó específicamente un conjunto de datos de referencia. Este conjunto de referencia emplea un modelo combinado de evaluación por grandes modelos y verificación objetiva por compilador, puntuando desde tres dimensiones: grado de coincidencia de contenido, efectividad del plan e integridad experimental. Los resultados muestran que, al generar el código 10 veces para el mismo experimento, el 98.3% de los resultados son completamente consistentes, con una puntuación integral de 95.1 puntos, de los cuales la puntuación de efectividad del plan alcanza los 98.7 puntos. En cuanto a la verificación por compilador, este conjunto de referencia detectó un total de 343 problemas, incluyendo falta de coincidencia de unidades, sobrecarga de contenedores y reactivos no definidos. La tasa de compilación exitosa del código generado en la primera ronda por el modelo fue del 82.3%, y tras un máximo de tres rondas de reparación automática, la tasa general de compilación exitosa alcanzó el 98.6%, con solo un 1.4% de problemas que no pudieron repararse.
El equipo de Enhe también completó dos validaciones experimentales en húmedo. En la primera, se convirtió el mismo código BPL en un manual de operación manual y en un script de ejecución para una pipeta automática. Los resultados de secuenciación y detección de fluorescencia de ambos sistemas no mostraron diferencias significativas. En la segunda, en un experimento de cromatografía líquida, el sistema transformó automáticamente el proceso analítico original de 32 minutos en un plan de ultra alta eficiencia de 2.1 minutos. Las cinco sustancias liposolubles lograron una separación completa de la línea base, y el orden de separación fue exactamente el mismo que el del método original.
Basándose en el lenguaje BPL, Enhe Technology lanzó la plataforma SAION AI, una plataforma de IA física orientada al ámbito de la biomanufactura. Esta plataforma se posiciona como un científico de IA y consta de una arquitectura de tres capas: la capa cognitiva se encarga de comprender los problemas científicos y generar planes experimentales; la capa de control se encarga de la compilación, verificación y orquestación de tareas de BPL; y la capa de ejecución se encarga de impulsar los equipos experimentales reales para completar las operaciones. En el escenario de ingeniería de cepas, SAION AI puede mejorar la eficiencia de un solo proyecto de I+D, pasando de aproximadamente 500 experimentos con cepas por año en el modo tradicional a la ejecución de 300,000 experimentos en el mismo período para un solo proyecto, logrando una ejecución experimental y un retorno de datos sin intervención humana en todo el proceso.
Enhe Technology fue fundada en 2019 en Hangzhou. En sus inicios, construyó simultáneamente la fundición biológica Cell2Cloud impulsada por IA física, que cubre todo el proceso, desde la ingeniería de cepas y el desarrollo de procesos hasta la producción a escala. Este sistema genera continuamente decenas de millones de datos experimentales reales y conecta millones de conocimientos de literatura y patentes. El fundador y CEO de la empresa, Cui Hao, obtuvo su licenciatura en la Universidad de Toronto, Canadá, y posee un doctorado en Ingeniería Médica y Física Médica, otorgado conjuntamente por la Facultad de Medicina de Harvard y el MIT. Durante su doctorado, publicó artículos como primer autor o autor principal en revistas como Science, Nature Nanotechnology y PNAS, y posee patentes de invención relacionadas con biología sintética y experimentación automatizada.
En 2021, Enhe Technology completó una ronda de financiación Serie B de 100 millones de dólares estadounidenses, con inversores que incluyen a Sequoia Capital China, 5Y Capital, Source Code Capital, Baidu, Meituan, BASF, Matrix Partners China, entre otros. Actualmente, la empresa ha iniciado colaboraciones con empresas como NHU, SYENSQO, Yili, BASF, Proya y Pechoin en áreas como alimentación, nutrición y salud, y cuidado personal.
La industria compara BPL con la automatización de diseño electrónico (EDA) de la industria de semiconductores. Antes de la aparición de EDA, el diseño de chips dependía en gran medida de la experiencia de los ingenieros, con altos costos de verificación y largos ciclos de prueba y error; el valor de EDA radica en transformar el diseño de chips en activos digitales descriptibles, verificables y simulables. El papel de BPL en el ámbito de la biomanufactura es similar. No es solo una herramienta para mejorar la eficiencia experimental, sino también una infraestructura subyacente orientada al futuro de la industria, que permite que la IA pase de solo proporcionar sugerencias de razonamiento para experimentos a convertirse en un científico de IA capaz de realizar operaciones experimentales en húmedo de forma autónoma.
