7.3
深览指数
科技微博·量子位··AI 生成
顶刊生物实验难复现？统一操作话术来了！编译通过率98.6%
生物实验的「标准化描述语言」长期缺失，导致AI难以真正执行湿实验、高影响力论文成果无法被可靠复现。本文以中国公司恩和科技（Bota Biosciences）为案例，介绍了其开发的Biology Protocol Language（BPL）——一套可编译、可仿真校验的生物实验协议语言，以及基于此的代码自动生成工具BPL-COGEN和Physical AI平台SAION AI。作者核心论点在于：BPL之于生物制造，相当于EDA之于芯片设计，是工程化与规模化的底层基础设施。文章提供Benchmark基准测试结果（代码一致率98.3%）与两个湿实验验证案例，适合对AI在生命科学产业落地、实验室自动化路径有实质性兴趣的读者。原文 ↗
核心观点
- ▍生物制造长期缺乏一套标准化、可编译、可验证的协议描述语言，这是阻碍AI（包括强推理模型）真正闭环执行湿实验、以及高影响力论文成果难以复现的根本原因。
- ▍恩和科技开发的BPL语言及其配套工具BPL-COGEN，试图为生物实验提供类似Python之于编程、EDA之于芯片设计的底层基础设施，解决「将自然语言实验方案转化为机器可执行的精确代码」这个核心堵点。
- 01恩和团队从《Nature Protocols》选取30篇经典实验方案构建了Benchmark基准测试集，采用大模型评审+编译器客观校验结合模式，从内容匹配度、方案有效性、实验完整性三个维度评分。
- 02在Benchmark中，同一实验重复生成10次BPL代码，98.3%的结果完全一致；综合得分95.1分，方案有效性得分98.7分。
- 03编译器在Benchmark测试中累计检出343项问题（单位不匹配、容器过载、试剂未定义等）；模型首轮生成代码编译通过率82.3%，最多三轮自动修复后整体通过率98.6%。
- 04两个「湿实验」验证结果：同一份BPL代码转人工说明书与自动化脚本，测序、荧光检测结果无显著差异；液相色谱实验，32分钟分析流程被自动转换成2.1分钟的超高效方案，5种物质分离顺序与原方法完全一致。
- 05恩和建设的Physical AI驱动的「生物铸造厂」Cell2Cloud，将单个研发项目的菌株实验效率从传统模式下年均约500组提升至单项目同期30万组。
- 06恩和科技创始人兼CEO崔好，拥有哈佛医学院与MIT联合培养的医学工程与医学物理博士学位，公司于2021年完成1亿美元B轮融资，投资方包括红杉中国、五源、源码、百度、美团等。
反方 / 局限
- — 文章引用此前BioCoder、Autoprotocol、Antha、LabOP等标准化方案在表达能力、设备绑定或使用门槛上的不足，暗示BPL方案尽管有进展，但全行业生态的建立仍需克服旧方案的惯性。
- — Benchmark测试中仍有1.4%的问题在最多三轮自动修复后无法修复，编译器并非全知。
BPL (Biology Protocol Language)BPL-COGENSAION AICell2Cloud恩和科技 (Bota Biosciences)崔好Alex SongNature ProtocolsBBioRxiv红杉中国五源资本新和成BASF伊利珀莱雅
10 分钟 · 5 卡片 · 8 资料
读原文 →