वृद्धिशील उत्परिवर्तनों पर भरोसा करने के बजाय, एआई मॉडल उपन्यास प्रोटीन अनुक्रमों के बड़े बैचों का प्रस्ताव कर सकते हैं – अक्सर एक समय में एक हजार वेरिएंट के क्रम पर – विशिष्ट कार्यात्मक मानदंडों को पूरा करने के लिए डिज़ाइन किया गया।
मैनुअल और रोबोटिक प्रयोगशाला प्लेटफ़ॉर्म फिर प्रत्येक प्रकार के लिए प्रयोगों की एक श्रृंखला निष्पादित करते हैं, जिसमें आमतौर पर प्रति प्रोटीन कई परीक्षण शामिल होते हैं।
परिणामी डेटा को एआई मॉडल में वापस फीड किया जाता है, जो अपनी भविष्यवाणियों को अपडेट करता है और उम्मीदवारों का एक नया समूह तैयार करता है। यह बंद-लूप, डेटा-संचालित वर्कफ़्लो पारंपरिक तरीकों की तुलना में व्यापक डिज़ाइन स्थान की तेज़ पुनरावृत्ति और अन्वेषण को सक्षम बनाता है।
एआई-संचालित लैब-इन-द-लूप दृष्टिकोण तीन कारकों द्वारा सीमित होता था: स्केलेबल एआई मॉडलिंग, स्केलेबल अणु संश्लेषण, और स्केलेबल वेट लैब सत्यापन। पिछले पांच वर्षों में पहले दो में नाटकीय रूप से सुधार हुआ है, लेकिन वेट-लैब सत्यापन अभी भी बड़ी चुनौतियों का सामना कर रहा है।
उदाहरण के लिए, छोटे-छोटे परीक्षण करके थ्रूपुट बढ़ाना – जैसे कि 96-वेल से 384-वेल प्रारूप में जाना – अभिकर्मक की खपत को कम करता है और बड़ी स्क्रीन को सक्षम बनाता है, फिर भी यह प्रति प्रकार प्रोटीन उपज को कम करता है, जो डाउनस्ट्रीम लक्षण वर्णन को सीमित कर सकता है और स्केल और विश्लेषणात्मक गहराई के बीच ट्रेड-ऑफ को मजबूर कर सकता है।
इसके अलावा, प्रोटीन अभिव्यक्ति का स्तर अक्सर प्रयोगों और निर्माणों में भिन्न होता है, तुलना को जटिल बनाता है और एआई मॉडल को फिर से प्रशिक्षित करने के लिए उपयोग किए जाने वाले डेटा की विश्वसनीयता को कम करता है। साथ में, ये कारक एआई-संचालित प्रोटीन डिजाइन की क्षमता को पूरी तरह से महसूस करने के लिए अधिक सटीक, स्केलेबल और सुसंगत प्रयोगात्मक प्लेटफार्मों की आवश्यकता पर प्रकाश डालते हैं।
प्रोटीन इंजीनियरिंग के लिए लैब-इन-द-लूप एआई-संचालित प्रक्रिया प्रवाह
इमेक चिप-आधारित बिल्डिंग ब्लॉक्स का प्रस्ताव करता है जो प्रोटीन इंजीनियरिंग वर्कफ़्लो में इस वेट-लैब चरण को नया बना सकता है
