[論文レビュー] Accelerating drug discovery with Artificial: a whole-lab orchestration and scheduling system for self-driving labs

Yao Fehlis, P. Mandel+3 more|ArXiv.org|Apr 1, 2025

Scientific Computing and Data Management被引用数 3

ひとこと要約

This paper presents Artificial, a whole-lab orchestration and scheduling platform that unifies lab operations, automates workflows, and integrates AI models (e.g., NVIDIA BioNeMo) to accelerate AI-guided drug discovery in both dry and wet labs.

ABSTRACT

Self-driving labs are transforming drug discovery by enabling automated, AI-guided experimentation, but they face challenges in orchestrating complex workflows, integrating diverse instruments and AI models, and managing data efficiently. Artificial addresses these issues with a comprehensive orchestration and scheduling system that unifies lab operations, automates workflows, and integrates AI-driven decision-making. By incorporating AI/ML models like NVIDIA BioNeMo - which facilitates molecular interaction prediction and biomolecular analysis - Artificial enhances drug discovery and accelerates data-driven research. Through real-time coordination of instruments, robots, and personnel, the platform streamlines experiments, enhances reproducibility, and advances drug discovery.

研究の動機と目的

• 薬物 discovery における高コスト・長いタイムライン・データ断片化の課題に対処するためにセルフドリブンラボの活用を動機づける。
• ワークフローを統合し、機器と人員を調整し、データを効率的に管理する統一プラットフォームを提案する。
• 自動化されたラボワークフロー内でAI駆動の意思決定（例：BioNeMoモデル）の統合を実証する。
• AIモデル展開とリソース最適化を検証するためのドライラボ仮想スクリーニングの概念実証ケーススタディを示す。
• クラウドとオンプレミス環境の両方で、エンドツーエンドのアーキテクチャを強調し、スケーラブルで安全なラボ自動化を実現する。

提案手法

• Web Apps、Services、Lab API、Adapters/Protocolsの4層からなるArtificialスタックを説明する。
• ヒューリスティクスとバッチ処理を用いてワークフローを計画・実行・最適化するオーケストレーションおよびスケジューリングエンジンを説明する。
• Data Recordsによるデータ管理とリアルタイム監視のためのDigital Twin可視化を詳述する。
• LabGatewayを通じたNVIDIA BioNeMo NIMマイクロサービスの統合を、安全なオンプレミスまたはクラウド展開で示す。
• SARS-CoV-2主プロテアーゼを標的としたセルフドリブン仮想スクリーニングのPoCワークフローを提示し、反復的なAIガイド付きサイクルと性能基準を設定する。
• プラットフォームがLIMS/ELNに接続し、クラウド（EKS/AKS）またはローカル（MicroK8s）の安全でスケーラブルなデプロイをサポートすることを概説する。

実験結果

リサーチクエスチョン

• RQ1 全実験室レベルのオーケストレーションプラットフォームが、ラボ運用・AIモデル・データを再現性のあるワークフローに統合できるか。
• RQ2 AI駆動の意思決定を自動化された仮想スクリーニングおよびウェットラボワークフローに効果的に統合して、薬物発見を加速できるか。
• RQ3 スケーラブル・安全・相互運用可能なセルフドリブンラボを実現するウェブアプリ・サービス・Lab API・Adaptersというアーキテクチャパターンは何か。
• RQ4 BioNeMoのようなAIモデルをオーケストレーションされたラボ環境内に展開する際の実務的な利点と制約は何か。
• RQ5 ドライラボ仮想スクリーニングとAIモデル統合を含む概念実証ケーススタディでシステムはどのように機能するか。

主な発見

• Artificialは自動化されたAIガイド付き意思決定と、機器・ロボット・人員のリアルタイム調整を実現する。
• PoCはArtificial内でBioNeMo NIMマイクロサービスの統合を示し、セルフドリブン仮想スクリーニングを可能にする。
• SARS-CoV-2主プロテアーゼのユースケースでは、3つの反復的なセルフドリブンサイクルが事前定義された基準（結合親和性閾値 -1.4百万以上、少なくとも10個の成功分子）を達成した。
• アーキテクチャは安全なデータ交換、変更不可能なデータレコード、AIモデルの訓練やファインチューニングのためのシームレスなデータアクセスをサポートする。
• クラウドとオンプレミス環境の両方でのデプロイを想定しており、Digital Twinとラボ全体のオーケストレーションを活用して再現性とスループットを向上させる。