DOSSIER: LIA CAMBIA LA SCIENZA.

Il laboratorio del futuro si autogestisce, di Patrick Sisson.

Lautore Patrick Sisson  uno scrittore e giornalista di Los Angeles i cui articoli sono apparsi su "New York Time"s, "Bloomberg CityLab" e "MIT Technology Review".

... 
I robot e lIA eseguono esperimenti 24 ore su 24, dalla chimica delle batterie alle terapie oncologiche. Ma possiamo fidarci che facciano le cose nel modo giusto?

 ormai passata la mezzanotte allHearst Memorial Mining Building, nel campus dellUniversit della California a Berkeley: oltre un ingresso a volta e in fondo a una scalinata di marmo, gli esperimenti nellA-Lab procedono senza la presenza di personale. Nel laboratorio, precursori in polvere e ossidi girano vorticosamente allinterno di crogioli a forma di coppette da sake, per poi essere trasformati in impasti liquidi e centrifugati con sfere di zirconio, cotti in forni industriali, analizzati per mezzo della diffrazione dei raggi X e, nei test sulle batterie, sottoposti a misurazioni della conduttivit ionica. Ogni risultato alimenta lesperimento successivo.

Quando qualcosa va storto  un rack inceppato, un campione versato, un precursore esaurito  la coreografia si interrompe. Minerva, Alfred, Prometheus, Jeeves e una manciata di altri robot dotati di intelligenza artificiale che gestiscono il laboratorio durante la notte non riescono sempre a ripristinare il sistema da soli. Uno studente di dottorato che sta dormendo riceve une-mail e una notifica su Slack, quindi pu accedere dal proprio letto, controllare le telecamere del laboratorio e cercare di risolvere il problema.

Cerchiamo un materiale migliore, dice Gerbrand Ceder, scienziato dei materiali dellUniversit della California a Berkeley, che dirige lA-Lab. Ma ci interessa anche molto sapere:  possibile sviluppare unintelligenza artificiale che si comporti come uno scienziato?.


LA-Lab  uno dei pochi siti in cui sta prendendo forma una nuova infrastruttura di ricerca. Gestito dallUniversit della California a Berkeley e dal Lawrence Berkeley National Laboratory (LBNL), abbina la robotica e lautomazione di laboratorio a un agente di intelligenza artificiale personalizzato che interpreta i risultati e propone la serie successiva di esperimenti, con il sostegno delle risorse di calcolo del LBNL. I ricercatori lo definiscono un laboratorio in the loop: un sistema in grado di sperimentare, iterare e suggerire il passo successivo. Non credo che ci si renda conto di quello che sta per succedere, commenta Ceder.

Ma velocit non  sinonimo di affidabilit. LA-Lab  diventato anche un banco di prova per i limiti attuali del settore. Uno dei suoi primi articoli scientifici di grande visibilit, pubblicato nel 2023 su Nature, riferiva che il laboratorio aveva sintetizzato autonomamente decine di nuovi materiali nel giro di pochi giorni. Larticolo  stato successivamente corretto dopo che alcuni ricercatori che non avevano partecipato allo studio hanno sollevato dubbi sulla reale novit dei materiali e sulleffettivo supporto dei dati alle affermazioni. Lepisodio ha messo in luce una tensione fondamentale nella scienza automatizzata: le macchine possono eseguire esperimenti pi velocemente di qualsiasi essere umano, ma i risultati devono comunque essere verificati e interpretati dalle persone.
 
Questa tensione va ben oltre lA-Lab. I robot ottengono ormai dati su una scala che gli esseri umani non possono nemmeno avvicinare; lapprendimento automatico individua schemi in quel flusso enorme di dati; gli agenti di intelligenza artificiale iniziano ad aiutare i ricercatori a decidere quale passo compiere successivamente. Secondo i promotori di questa strategia, questi tre strumenti insieme potrebbero accorciare i tempi delle scoperte scientifiche; con una posta in gioco che spazia dal costo di nuovi farmaci alla corsa globale per la leadership nelle biotecnologie. La domanda : una scienza pi veloce sar anche una scienza migliore?

Nei suoi tre anni di attivit lA-Lab, ha spesso superato gli strumenti commerciali disponibili; allinizio il gruppo di Ceder ha dovuto fissare un dito finto a una macchina affinch i robot potessero avviarla. Oggi il laboratorio lavora a una velocit circa 100 volte superiore a quella di un ricercatore umano, mentre gli esseri umani hanno il ruolo di architetti del processo, perfezionando le macchine, definendo la direzione della ricerca e decidendo che cosa testare in seguito.

Una velocit del genere  possibile perch lA-Lab accede allinfrastruttura dati del LBNL, compreso il National Energy Research Scientific Computing Center (NERSC), i cui supercomputer assistono la modellizzazione scientifica su larga scala e il lavoro sullintelligenza artificiale. Il NERSC, che fa parte del LBNL, sta inoltre realizzando Doudna  dal nome di Jennifer Doudna, biochimica dellUniversit della California a Berkeley, che ha condiviso il premio Nobel per la chimica 2020 per la scoperta di CRISPR-Cas9  un supercomputer di nuova generazione, realizzato in collaborazione con Dell e Nvidia, progettato, tra le altre cose, per collegare strumenti di intelligenza artificiale, strumenti scientifici e dati in tutto il Department of Energy. Per i laboratori autonomi, la potenza di calcolo sta diventando parte integrante del bancone di lavoro.

Un nuovo sistema di forni in fase di installazione nellA-Lab monitorer la sintesi chimica istante per istante. Attualmente i ricercatori conoscono il prima e il dopo  cuocendo questi composti a 540 gradi Celsius per tre ore si ottiene questo risultato  ma non le reazioni intermedie. Fissando lintera sequenza in tempo reale e adattando gli esperimenti al volo, il laboratorio spera di costruire linsieme di dati necessario per la sintesi predittiva.

Ho anche imparato che la velocit fa pensare le persone in modo diverso, osserva Ceder. Se hai unidea e devi aspettare tre mesi per la risposta, intellettualmente non rimani coinvolto.

Quando le persone ottengono risposte rapide, rimangono coinvolte e tendono a porre domande diverse, aggiunge.

Una speranza ancora pi grande  che la scala, unita alla velocit, porti a modelli migliori dei sistemi complessi che i ricercatori cercano di capire e a domande che abbiano pi probabilit di ottenere risposte concrete. Mi fa impazzire il fatto che falliamo il 90 per cento delle volte, dice Brad Ringeisen, direttore esecutivo dellInnovative Genomics Institute (IGI), che si occupa di editing genomico. Il settore industriale delle biotecnologie spende miliardi di dollari nello sviluppo di farmaci proprio perch molti esperimenti falliscono. Ringeisen propone due soluzioni: procedere in modo pi automatizzato, mantenendo lo stesso tasso di fallimento ma semplicemente facendo un numero incredibilmente maggiore di quegli esperimenti; oppure adottare lapproccio dellIGI e cercare di costruire modelli di malattia migliori e pi precisi.

Una domenica di inizio febbraio, i partecipanti alla conferenza annuale della Society for Laboratory Automation and Screening International, tenutasi a Boston, hanno potuto usufruire di una corsa Uber gratuita per raggiungere Ginkgo Bioworks. Lazienda presentava i suoi Reconfigurable Automation Carts  blocchi modulari su ruote dotati di lettori di codici a barre e bracci robotici, disposti come una fila potenziata di macchinette da gioco con artigli  che potevano essere programmati al volo per replicare qualsiasi sequenza di passaggi di laboratorio.

In precedenza, lo stesso giorno, Ginkgo aveva chiesto a diversi partecipanti alla conferenza di suggerire esperimenti; potevano digitare comandi in un linguaggio semplice e conciso nellinterfaccia dellazienda. Quando i visitatori sono arrivati al pomeriggio, il laboratorio stava eseguendo decine di esperimenti contemporaneamente. Quello che colpiva, dice il CEO e cofondatore Jason Kelly, non era la velocit o la precisione, ma la flessibilit sperimentale. Sei uno scienziato e pensi: Aspetta, posso fare un esperimento di notte? Posso svegliarmi la mattina e trovare i dati gi pronti mentre bevo il caff?, dice Kelly.  unesperienza nuova.

Il moderno laboratorio autonomo  stato reso possibile dalla combinazione di calo dei costi della robotica, migliori flussi dati e controllo tramite linguaggio naturale basato sullintelligenza artificiale. Ginkgo, fondata nel 2008, ha sperimentato diversi modelli di business, tra cui lingegnerizzazione di ceppi di lievito per profumi e alimenti, prima di concentrarsi sulla robotica di laboratorio. Ha dedicato anni a perfezionare questo approccio; il suo obiettivo, come sottolinea in un video promozionale,  far scomparire il bancone da laboratorio. Il sistema modulare  in grado di gestire oltre 100 apparecchiature e operare su piastre da 384 campioni secondo qualsiasi configurazione programmata dallo scienziato.

Kelly paragona lautomazione di laboratorio alle automobili a guida autonoma, sostenendo che in suo laboratorio si trova allincirca allo stesso punto in cui si trovavano le auto Waymo cinque anni fa. Di recente Ginkgo ha lanciato un servizio di laboratorio in cloud che permette a scienziati di tutto il mondo di proporre un esperimento, ricevere un preventivo e, se decidono di procedere, far eseguire il lavoro da remoto. Ogni giorno riceve nuove richieste.

La flessibilit  un modello; la scala industriale  un altro. A Salt Lake City, nello Utah, nei locali di un ex negozio Dicks Sporting Goods, il sistema robotico di Recursion  che acquisisce immagini di cellule e colture   in grado di compiere fino a 2,2 milioni di esperimenti per settimana. Piastre delle dimensioni di un cartoncino con 1536 pozzetti passano attraverso cicli di incubazione, trattamento e acquisizione di immagini al microscopio da pi angolazioni; i dati risultanti sono analizzati da un sistema di intelligenza artificiale.

Stazioni di lavoro automatizzate spostano i campioni tra le fasi di riscaldamento e analisi, lasciando che ogni risultato guidi la sessione successiva. Credit: Marilyn Sargent &copy; 2023 The Regents of the University of California, Lawrence Berkeley National Laboratory
Stazioni di lavoro automatizzate spostano i campioni tra le fasi di riscaldamento e analisi, lasciando che ogni risultato guidi la sessione successiva. Credit: Marilyn Sargent  2023 The Regents of the University of California, Lawrence Berkeley National Laboratory

 
Recursion elabora i suoi oltre 50 petabyte di dati proprietari tramite BioHive-2, il proprio supercomputer interno, e sfrutta quei dati per mappare i processi biologici e cercare bersagli farmacologici inaspettati. La sua piattaforma ha contribuito a costruire mappe cellulari su larga scala, usando modelli di neuroni e microglia, dichiara Christopher Winrow, vicepresidente di Recursion per le neuroscienze. Lazienda ha portato diversi candidati farmaci alla fase di sperimentazione clinica.

Il resto dellindustria farmaceutica si sta muovendo nella stessa direzione, sebbene per la maggior parte i benefici rimangano da dimostrare. Gli edifici dei laboratori sono riprogettati con pi spazio per i server e alimentatori pi potenti per i sistemi robotici, la produzione biologica e i data center, dice Matt Gardner, specialista in biotecnologie presso la societ immobiliare commerciale CBRE. In marzo la multinazionale svizzera Roche ha dichiarato che lIA lha aiutata a sviluppare un farmaco candidato per loncologia con una velocit superiore del 25 per cento rispetto ai metodi convenzionali; Nvidia ed Eli Lilly hanno recentemente annunciato la fondazione in cinque anni di un laboratorio per la scoperta di farmaci basato sullintelligenza artificiale, per un valore che potrebbe raggiungere il miliardo di dollari. La speranza  che in futuro porti a un processo di scoperta dei farmaci pi rapido, efficiente ed economico, dice Gardner. Ma non ci siamo ancora arrivati.

Questo modello ad alto rendimento di scoperta va ben oltre le terapie umane. LIGI sta applicando lo stesso approccio a una minaccia planetaria: il metano. Con il sostegno di Google e dellAudacious Project di TED, il laboratorio sta campionando i microbiomi intestinali di una mandria di bovini  tracciando persino come il microbioma della madre influenzi quello del vitello  per poi replicarli e analizzarli tramite un sistema autonomo dotato di visione artificiale. Addestrato a riconoscere nuove formazioni microbiche, il sistema sta lavorando per isolare gli organismi che alimentano i metanogeni, responsabili della produzione di questo potente gas serra.

Il progetto sta generando terabyte di dati e un modello funzionante del microbioma bovino. La speranza  trovare un intervento, potenzialmente basato sulla tecnologia CRISPR, in grado di rendere questo cambiamento duraturo. Limpianto da un milione di dollari  gestito da un ingegnere dellautomazione e da un microbiologo. Consideriamo la robotica e lautomazione come un supporto, afferma Ringeisen dellIGI.

Allinizio di questanno Ginkgo ha stretto un accordo con OpenAI per verificare, in parte, se il laboratorio robotizzato potesse operare o meno come uno scienziato sperimentale, spiega Kelly. Un agente di OpenAI addestrato sulla letteratura scientifica relativa alla sintesi proteica acellulare  un metodo per generare proteine senza far crescere in laboratorio cellule viventi   stato collegato allimpianto di Ginkgo. In un preprint il gruppo di ricerca ha riferito che, nel corso di diverse serie di esperimenti e oltre 36.000 reazioni uniche, il sistema ha superato un indice di riferimento pubblicato in letteratura, riducendo del 40 per cento i costi di produzione delle proteine. Kelly ha ritenuto che i modelli si siano dimostrati sperimentatori competenti. La stragrande maggioranza delle scoperte scientifiche di rilievo avviene nel mondo degli atomi, afferma.

Ma essere competenti nellesecuzione non equivale a essere competenti nellintuizione. Colmare questo divario  diventato lobiettivo principale di un gruppo di start-up ben finanziate.

La maggior parte delle scoperte a livello di premio Nobel non  limitata dalla produttivit, ma dallintelligenza, dice Andrew Beam, direttore tecnico di Lila Sciences, una start-up che sviluppa unintelligenza artificiale progettata per il ragionamento scientifico. La maggior parte dei premi Nobel che hanno riguardato la biologia  stata assegnata per aver collegato diverse aree del settore che prima erano scollegate, aggiunge. La forza bruta ti consentir di ottenere un farmaco leggermente migliore, aggiunge, ma non ti porter al punto di svolta successivo.

Diverse start-up e le grandi aziende di IA stanno gareggiando per costruire quel modello, acquisendo dati sperimentali e collaborando con organizzazioni di ricerca per addestrare e testare i modelli. Il CEO di Anthropic, Dario Amodei, biofisico di formazione, ha scritto Machines of Loving Grace, un saggio del 2024 in cui sostiene che lIA potrebbe accelerare drasticamente le scoperte biologiche.

A febbraio, Anthropic ha annunciato accordi con lAllen Institute e lHoward Hughes Medical Institute, mirati non solo a sostenere le operazioni di laboratorio, ma anche a iniziare a formulare ipotesi e progettare esperimenti, dice Jonah Cool, responsabile dellazienda per gli accordi nel settore delle scienze della vita e la loro attuazione. La carriera di uno scienziato, commenta Cool,  spesso un lavoro di osservazione o analisi ripetitivo e faticoso: proprio il tipo di lavoro che Anthropic punta ad accelerare.

Il filo conduttore  laddestramento sui dati giusti con il giusto tipo di apprendimento. Lila, per esempio, usa dati su misura e un modello di ragionamento addestrato con lapprendimento per rinforzo. Se pensate alla dieta con cui sono stati alimentati ChatGPT e Claude, quella dieta proviene da Internet, osserva Beam. Su Internet ci sono alcune cose che, se consumate in eccesso, provocano il reflusso. Anche la configurazione del laboratorio di Lila  diversa: non percorsi fissi allinterno di un circuito chiuso, ma una sperimentazione aperta che, secondo John Gregoire, Chief Autonomous Science Officer,  simile allimprovvisazione jazzistica.

Beam ritiene che il modello di Lila possa superare i sistemi allavanguardia nei compiti di ragionamento scientifico. Lazienda sostiene di aver usato questo approccio per sviluppare e ottimizzare la terapia in vivo con cellule T dotate di recettori antigenici chimerici (CAR-T), un trattamento sperimentale contro il cancro che mira a ingegnerizzare le cellule immunitarie del paziente stesso per colpire i tumori, a circa luno per cento del costo rispetto al progetto di sviluppo leader del settore. Questa affermazione rimane un caso di studio aziendale, non un riferimento stabilito in modo indipendente.

Ringeisen  meno ottimista. Teme che, nellattuale contesto di ristrettezze finanziarie, i ricercatori sceglieranno la via pi facile e addestreranno lIA sui dati esistenti  setacciando tutto ci che si trova in giro; c molto olio di serpente che potrebbe essere venduto  invece di intraprendere il percorso pi costoso che consiste innanzitutto nel migliorare quei dati. Come modello di riferimento cita AlphaFold, lintelligenza artificiale di DeepMind per la previsione della struttura delle proteine. Quello era un insieme di dati estremamente curato, rilevante e di ampia portata, che ha permesso ad AlphaFold di funzionare, dice. Ricreiamo tutto questo e facciamo le giuste scelte di carattere fisiologico riguardo alle malattie umane, in modo da poter alimentare meglio quei modelli di IA.

Lo scorso dicembre, il segretario del Department of Energy degli Stati Uniti Chris Wright ha inaugurato un sistema Ginkgo da 47 milioni di dollari al Pacific Northwest National Laboratory di Richland, nello Stato di Washington. Linstallazione fa parte della Genesis Mission, uniniziativa federale di IA per la scienza sostenuta da centinaia di milioni di dollari in finanziamenti, compresi quelli destinati a collegare modelli di IA allavanguardia, strutture automatizzate e archivi di dati dei laboratori nazionali statunitensi in una rete di ricerca coordinata.

Linvestimento federale in questo tipo di infrastruttura  un obiettivo facilmente raggiungibile, dichiara Erwin Gianchandani, primo vicedirettore per la tecnologia, linnovazione e le partnership presso la National Science Foundation, che sta contribuendo a destinare i fondi del CHIPS Act per rendere gli scienziati pi produttivi.

Per realizzare appieno questa visione, dicono i sostenitori, sar necessario che il governo degli Stati Uniti vada oltre il semplice acquisto delle attrezzature. Un sistema nazionale di laboratori cloud necessita di regole di funzionamento  standard hardware e software, norme per la raccolta e la condivisione dei dati, convenzioni per larchiviazione nel cloud  che Gianchandani e il suo gruppo stanno cercando di definire. Potrebbero essere necessari anche finanziamenti federali, che il governo ha gi provveduto a destinare molte volte in passato.

Sebbene in questi anni lAmministrazione Trump abbia provveduto a tagliare o limitare molti settori della ricerca scientifica, ha comunque considerato le infrastrutture di laboratorio basate sullintelligenza artificiale come una priorit strategica. I progressi cinesi nel settore biotecnologico hanno allarmato i leader del settore e i membri del Congresso, che considerano i laboratori autonomi una capacit critica a duplice uso. La National Security Commission on Emerging Biotechnology, insieme ad alleati del Congresso come Todd Young, senatore dellIndiana, ha chiesto cambiamenti normativi di ampia portata e nuovi finanziamenti federali per i laboratori di nuova generazione. La Cina, avverte la commissione, trasformer le biotecnologie in armi.

Al Congresso, le raccomandazioni della commissione stanno procedendo in modo frammentario: alcune sono gi state recepite nella legislazione, mentre altre sono ancora in attesa di audizioni o di un provvedimento da parte delle commissioni. La sua tabella di marcia prevede nuovi investimenti federali nelle infrastrutture per la biofabbricazione e i biodati, controlli pi estesi sulle esportazioni di apparecchiature biotecnologiche e un organismo di coordinamento allinterno del ramo esecutivo.

Stiamo dicendo ai decisori politici che le scelte che fanno proprio ora, in questo anno legislativo, sono tra le pi determinanti che possano prendere per stabilire se gli Stati Uniti saranno in grado di guidare la prossima rivoluzione bioindustriale, dice Caitlin Frazer, direttrice esecutiva della commissione.

Il nostro compito  dimostrare che  possibile raddoppiare il ritmo della ricerca scientifica usando lintelligenza artificiale in modo appropriato, commenta Michael Witherell, direttore del LBNL. Abbiamo bisogno della fusione. Abbiamo bisogno di un miglior trattamento delle acque. Tutte queste sfide che riguardano la nazione e dobbiamo muoverci pi velocemente della Cina.

La ricerca scientifica  stata spesso paragonata a un lampione nel buio: i ricercatori si affollano sotto la luce di quello che  gi noto, diffidando dellombra. Che cosa succede quando lintero cielo  illuminato? Alcune possibilit, ha commentato Gardner, di CBRE, sono sbalorditive, come la capacit di osservare lattivit cellulare in tempo reale.

Ma una scienza pi veloce dovr comunque dimostrare il proprio valore sulla base di standard scientifici tradizionali. Il laboratorio del futuro potrebbe funzionare per tutta la notte. Il compito degli scienziati sar decidere che cosa dovr accadere quando arriver il mattino.

