Prendendo spunto dall’industria automobilistica, il settore biofarmaceutico si è sempre più concentrato sulle capacità autonome come mezzo per migliorare l’accuratezza, la riproducibilità e l’efficienza nella ricerca e sviluppo (R&S).
Accanto alle scoperte nel campo dell’intelligenza artificiale (AI), si sono compiuti passi significativi nello sviluppo di bracci robotici e altri macchinari avanzati. Gli agenti di intelligenza artificiale in grado di coordinare e persino pianificare esperimenti promettono di liberare i ricercatori umani lavoro scientifico più astratto e concettuale espandendo al contempo la portata delle attività di ricerca e sviluppo possibili.
Scopri il marketing B2B che funziona
Combina business intelligence ed eccellenza editoriale per raggiungere professionisti coinvolti su 36 principali piattaforme multimediali.
Scopri di più
Ginkgo Bioworks è uno sviluppatore leader di laboratori autonomi che lavorano nel settore biofarmaceutico. L’amministratore delegato dell’azienda, Jason Kelly, parlato con Tecnologia farmaceutica per spiegare come funzionano questi sistemi e il potenziale impatto che potrebbero avere sul settore. Paragona il lavoro di Ginkgo nel settore biofarmaceutico a ciò che le aziende automobilistiche a guida autonoma come Waymo hanno fatto per l’industria dei trasporti e afferma che gli “scienziati dell’intelligenza artificiale” stanno rapidamente diventando una realtà.
Questa intervista è stata modificata per motivi di lunghezza e chiarezza.
Frankie Fattorini (FF): Qual è il principio alla base di un laboratorio biofarmaceutico autonomo?
Jason Kelly (JK): L’analogia che mi piace fare riguarda i trasporti. Se pensi a bassa variabilità e alta automazione, è un treno. Se scendi nell’automazione e aumenti nella variabilità, sei alla macchina; sei nel circuito per controllarlo, ma dove vuoi portare quella cosa è totalmente variabile. Questo è l’aspetto del settore dei trasporti negli ultimi 100 anni.
Non so se sei stato a San Francisco di recente e hai visto Waymos (auto a guida autonoma) andare in giro. È come essere in metropolitana, ma ti porterà direttamente a casa tua. Lo chiamiamo autonomo.
Disponiamo di laboratori con una bassa variabilità e un’elevata quantità di automazione, chiamati “celle di lavoro”, e aziende come Thermo Fisher, HighRes Biosolutions e Biosero li vendono. (In una cella di lavoro) c’è un braccio al centro di 10 apparecchiature in una grande scatola di vetro. È fantastico e completamente automatizzato, ma deve eseguire lo stesso esperimento fatto ieri. Non puoi semplicemente fargli fare qualcosa di nuovo.
Un banco da laboratorio comporterebbe una bassa automazione e presenterebbe molta variabilità. Vedrai per lo più banchi da laboratorio e scienziati in camice bianco (nei laboratori accademici o farmaceutici) in piedi di fronte a loro mentre fanno le cose a mano.
Quello che stiamo cercando di costruire è il Waymo (versione). Vogliamo rimpiazzare i due miliardi di dollari che finiscono sui banchi dei laboratori, e vogliamo che gli scienziati ordinino qualunque esperimento vogliano; (tipo) sono seduti sul retro di un Waymo e gli dicono dove andare.
FF: Che aspetto ha un laboratorio autonomo Ginkgo per la ricerca biofarmaceutica?
JK: A Boston, abbiamo un laboratorio di 18.000 piedi quadrati con 70 robot che hanno, complessivamente, circa 90 diversi dispositivi di laboratorio tutti in un’unica configurazione. Gli scienziati del Ginkgo inviano regolarmente nuovi protocolli a quel sistema, quindi in una giornata impegnativa potremmo avere 30 protocolli unici e 80 o 100 protocolli totali, perché le persone chiederanno delle repliche.
Ad esempio, 40 o 50 scienziati hanno accesso a 50 o 100 diversi tipi di dispositivi di laboratorio: centrifughe, blocchi termici, dispositivi per cromatografia liquida e spettrometria di massa (LC-MS). Vagano per il laboratorio, spostano i campioni su quei dispositivi e poi programmano i dispositivi.
Ogni dispositivo è connesso a ogni altro dispositivo. Questo perché in un laboratorio manuale è possibile spostare facilmente i campioni tra le apparecchiature. In quel laboratorio, non sei limitato a ciò che puoi raggiungere con il braccio attorno a te, come faresti in una cella di lavoro tradizionale.
Abbiamo collegato tutti i nostri bracci con un binario MagneMotion, che è come un sistema di automazione del trasporto industriale, e fornisce piastre da 96, 384 o 1.536 pozzetti. Li consegnerà a qualsiasi dispositivo sul sistema. Quindi ogni dispositivo ha un braccio robotico a sei assi. Preleva la lastra e la deposita, con altissima affidabilità, sul dispositivo.
Quindi, cosa importante, ogni dispositivo è collegato al nostro software. È possibile programmare il dispositivo utilizzando il nostro software. Sempre più spesso puoi parlare con il software in inglese e tradurre il protocollo nel codice che lo muove attraverso quel sistema di 70 robot qui a Ginkgo.
FF: Quanto sono vicini i laboratori autonomi all’autonomia piena e indipendente?
JK: C’è una distinzione fondamentale da fare quando le persone pensano che questa tecnologia diventerà una parte importante del settore. Ci sono due diverse tecnologie in fase di sviluppo: una è un laboratorio autonomo e la seconda è uno scienziato specializzato in intelligenza artificiale.
Siamo molto concentrati sulla parte di laboratorio autonomo. Vogliamo renderla un’esperienza meravigliosa, che si tratti del modello di intelligenza artificiale o di un detto umano: “questo è il protocollo che voglio che sia realizzato e lo voglio adesso”. Aziende come Edison Scientific, Potato.ai e altre stanno cercando di trasformare modelli di ragionamento in scienziati migliori.
Abbiamo fatto un esperimento con un progetto che abbiamo realizzato con OpenAI (dove) GPT-5 operava come scienziato dell’intelligenza artificiale che gestiva il laboratorio autonomo di Ginkgo. Abbiamo lavorato a un progetto per la sintesi proteica senza cellule. Gruppi accademici e gruppi industriali hanno lavorato per ridurre il costo della proteina ottenuta da un campione nella sintesi senza cellule perché è costosa.
Una carta da Stanford e il laboratorio del Prof. Michael Jewett hanno confrontato tutte le migliori miscele con diversi reagenti e così via per dire quale sia il più economico per produrre proteine per dollaro. Abbiamo provato a batterlo.
Quindi abbiamo effettuato cicli di 100 esperimenti su piastre da 384 pozzetti. GPT-5 ha progettato l’esperimento, noi lo eseguivamo e restituivamo i dati e GPT-5 progetterebbe l’esperimento successivo. Dopo quattro round, ha battuto il giornale di Stanford. Dopo sei round, lo aveva battuto del 40%.
