These silicon scientists are executing thousands of experiments, searching for life-saving

これらのシリコン科学者たちは、何千もの実験を行っています。

drugs and building synthetic organisms -- all with virtually no human intervention.

薬物や合成生物の構築など、人間の介入をほとんど必要としないものばかりです。

It's part of a industry-wide push to move away from time-intensive manual benchwork

これは、時間のかかる手作業のベンチワークからの脱却を目指す業界全体の動きの一環です。

and towards automation.

と自動化に向けて。

This has the potential to transform how we develop new therapies, and could fundamentally

これは、新しい治療法を開発する方法を変える可能性があり、根本的に

reimagine scientific discovery.

科学的発見を再考する。

The life sciences are really underserved by automation and technology in general.

生命科学は本当に自動化や技術全般に恵まれていません。

If you go into a lab, you'll see humans doing a lot of labor intensive work.

研究室に入ると、人間が労働集約的な作業をしているのを目にすることになる。

There's a joke that sort of PhD students are free labor for professors.

博士課程の学生のようなものは教授のための自由労働だというジョークがあります。

When I was doing my PhD, that's actually when I first started using Strateos' robotic cloud

私が博士号を取得していた頃、実際にStrateosのロボットクラウドを使い始めたのはその頃でした。

lab myself.

私自身が研究室にいます。

The concept was that you could log into a web application, design an experiment with

コンセプトは、Webアプリケーションにログインして、実験を設計して

code, and then have it executed for you by robots remotely via the internet.

のコードを実行し、インターネットを介して遠隔地のロボットに実行させることができます。

I got really excited and so I signed up, and then I actually started running experiments.

興奮して契約して、実際に実験を始めてみました。

I remember being sat on the couch in my apartment and just sort of watching this experiment

アパートのソファに座って実験を見ていたのを覚えています

execute while I was just relaxing, and I thought, "Well, this is the future of life science."

私がリラックスしている間に 実行してみて "これは生命科学の未来だ" と思ったのです

This is really about helping humans focus more on the creative aspects of hypothesis

これは、人間が仮説の創造的な側面にもっと集中できるようにするためのものです。

generation and scientific interpretation, then the moving of small amounts of liquid

生成と科学的解釈、そして少量の液体の移動

around or shining lasers at them.

周りを見回したり、レーザーを当てたりして

Not only does offloading experimental work onto robots have the potential to save enormous

実験的な作業をロボットに任せることで、莫大な費用を節約できる可能性があるだけでなく

amounts of time, it could also mean more reliable results.

時間の長さは、より信頼性の高い結果を意味する可能性があります。

Often when you look at a protocol that a human is executing, there's very ambiguous steps

人間が実行しているプロトコルを見ると、非常に曖昧なステップがあることがよくあります。

like incubate overnight, which is not a set period of time, or shake until the solution

一晩インキュベートするようなもので、設定された期間ではありません。

is cloudy.

が曇っています。

There's no real definition of cloudy or how much you should shake that sample.

濁りの定義とか、サンプルをどれだけ振ったらいいのかとか、本当の意味での定義はないんだよね。

Every experiment that Strateos has executed is actually defined by code. And so, when

Strateosが実行した全ての実験は 実際にコードで定義されていますそれで

I want my colleagues to replicate an experiment that I've performed, I can just give them

私が行った実験を同僚に再現してもらいたい場合は、私が行った実験を

access to that code, and they can just click Go and it runs exactly the same way.

そのコードにアクセスして、「Go」をクリックするだけで、まったく同じように実行されます。

So the first step in getting robots to do your scientific bidding?

ロボットに科学的な入札をしてもらうための第一歩？

Log on to a website.

ウェブサイトにログオンします。

You actually see a whole menu of different scientific processes that you can choose from.

実際には、さまざまな科学的プロセスのメニュー全体を見て、その中から選択することができます。

After you've put in all your parameters of the experiment, and you've also chosen your

実験のすべてのパラメータを入力した後、あなたはまた、あなたの

samples as well, you click Launch and then our system actually automatically checks that

サンプルも同様に、Launchをクリックすると、システムが自動的にチェックします。

you're not trying to pipette a crazy amount of liquid, or you're trying to use something

めちゃくちゃな量の液体をピペッティングしようとしていたり

dangerous.

危ない。

If it's all good, our system automatically dispatches the work down to the robots.

問題なければ、システムが自動的にロボットに仕事を送ります。

We're inside one of our work cells here.

私たちは、ここの仕事場の一つにいる。

This is the robotic arm, you can see it's coming towards us.

これがロボットアームだ こっちに向かってくるのがわかるだろう

This arm has been told to move around some inventory on this plate in particular, so

このアームは特にこのプレートのいくつかの在庫を移動するように言われているので

there's experiments all in this little plate.

この小さな皿の中で実験が行われています。

And once that comes out, this plate is actually then going to go to an analytical device.

それが出てきたら、このプレートは実際に分析装置に運ばれます。

Meanwhile, the robot is then going to go off and do some other experiments for a different

一方、ロボットはその後、別の実験をして、別の

user.

ユーザーになります。

Once it's done, the user gets a notification via their email and they can just go in and

完了すると、ユーザーは電子メールで通知を受け取ります。

fetch their results.

結果を取得します。

At optimal conditions, a single workcell could execute 190,000 experiments in a day, and

最適な条件では、1つのワークセルで1日に19万回の実験を行うことができます。

Strateos currently has 23 workcells in operation.

ストラトスでは現在23のワークセルが稼働しています。

We really believe that this is going to go more and more towards the types of scale that

私たちは、これは本当にこれまで以上に、より多くの規模のタイプに向かって行くと信じています。

cloud computing has reached.

クラウドコンピューティングが到達しました。

You could picture a huge warehouse type of facility packed full of robotics and inventory

ロボットや在庫がぎっしり詰まった巨大な倉庫型の施設をイメージしてください。

and storage equipment for samples.

およびサンプルの保管装置。

And then thousands of scientists all using that equipment and infrastructure simultaneously

そして、何千人もの科学者が、その機器とインフラを同時に使用しています。

and remotely via the internet.

とインターネットを介した遠隔操作が可能です。

Faster, easier, and more reliable experimental results would be a game changer across industries,

より速く、より簡単に、より信頼性の高い実験結果を得ることができれば、産業界全体が一変するでしょう。

but one that could benefit most is drug discovery.

しかし、最も恩恵を受けることができるのは創薬です。

The process of developing drugs has become extremely difficult.

医薬品の開発プロセスは非常に難しくなっています。

We start by identifying a target that we're looking to develop a drug or some other therapy

私たちは、薬物や他の治療法を開発したいターゲットを特定することから始めます。

for.

のために。

We design an assay that will tell you whether or not the activity of that particular target

私たちは、特定のターゲットの活性があるかどうかを知ることができるアッセイを設計しています。

has been inhibited or not, and then screen that over many, many possible compounds, many

が阻害されているかどうかを調べ、それを多くの、多くの可能性のある化合物、多くの

possible drugs.

可能性のある薬

It can take years of experiments and cost billions of dollars to develop a single drug.

一つの薬を開発するのに何年もの実験と数十億の費用がかかることもあります。

And often, after all of that, it could fail before getting to market.

そして、多くの場合、それが終わった後、市場に出る前に失敗してしまうことがあります。

Using a cloud lab could help drug developers streamline that process.

クラウドラボを使用することで、医薬品開発者はこのプロセスを合理化することができます。

But we're really excited that we've been able to work with Eli Lilly and actually add synthetic

しかし、イーライリリーと協力して、実際に合成の

chemistry to the platform.

化学をプラットフォームに

What that means is that entirely via the cloud users will be able to design molecules, have

それが意味するのは、完全にクラウドを介してユーザーが分子を設計することができるようになるということです。

them made and purified, and then ran through those biological assays so they can get that

精製されたものを作って、生物学的なアッセイにかけることで、それを得ることができます。

whole process from their idea to data.

アイデアからデータに至るまでの全プロセスを網羅しています。

It's not just large pharma and biotech that have access to this.

これにアクセスできるのは大手製薬やバイオだけではありません。

This platform basically offers state-of-the-art equipment that's typically only been accessible

このプラットフォームは、基本的には通常アクセス可能な最先端の機器を提供します。

to the big guys and actually makes it easier for either startups or academics to have access to this.

と、実際にはスタートアップや学者がこれにアクセスすることが容易になります。

COVID has been a really interesting time for Strateos.

COVIDはストラテオスにとって本当に面白い時代になりました。

The number of people that have reached out to us saying, "Hey, my lab is suddenly closed,

急に研究室が閉鎖になったんだけど」と手を差し伸べてくれる人が増えてきました。

I need to keep this work going over this time."

この時間を超えてこの仕事を続けていかないといけない。"

I think people have seen the need to work remotely.

リモートワークの必要性が見えてきたのではないでしょうか。

Science should be able to continue without physical access to a lab.

科学は研究室に物理的にアクセスできなくても継続できるはずです。

Automating the execution of experiments is a huge step towards more efficient and accessible

実験の実行を自動化することは、より効率的でアクセスしやすくなるための大きな一歩です。

scientific discovery, but some want to go even further to develop robots that actually

科学的な発見をしているが、さらに進んで、実際に

design their own experiments.

自分たちで実験を設計します。

A key concept in automated science is the idea of a closed loop for experimentation.

自動科学のキーコンセプトは、実験のためのクローズドループという考え方です。

Closed loop experimentation starts with execution of some set of experiments.

閉ループ実験は、いくつかの実験のセットを実行することから始まります。

The second step is to build a model from that data, and then the third step is to decide,

第二段階ではそのデータからモデルを構築し、第三段階では決定します。

"What experiments should I do next in order to optimally improve that model?"

"そのモデルを最適に改善するために、次はどんな実験をすればいいのか？"

This loop relies on the union of robotics, machine learning and artificial intelligence.

このループは、ロボット工学、機械学習、人工知能の組み合わせに依存しています。

And getting it right could completely upend how we find life-saving drugs.

命を救う薬の見つけ方を完全に変えてしまうかもしれません。

So you can think of this like playing the game of Battleship.

これは戦艦のゲームをするようなものだと考えていいんですね。

You've got x and y coordinates, x being the drugs and y being the targets.

XとYの座標があり、Xが薬でYが目標だ。

We're playing the game by doing A1, B1, C1, D1, and if anybody's ever played Battleship

A1、B1、C1、D1をやってゲームをしていますが、もし戦艦をやったことがある人がいたら

you know that's not a winning strategy.

勝ち目がないのはわかっているはずだ。

What we really need is to explore the board, and then build a model as you're doing that

本当に必要なのは、ボードを探索しながらモデルを構築していくことです。

and use that in order to make your next choice.

と、それを利用して次の選択をするようにしましょう。

That's where automated science comes in is to tackle the creation of a full predictive

そこで自動科学の出番です。

model for the experimental space of drugs and targets.

薬物と標的の実験空間のモデル。

In the future, this same method could be expanded to build predictive models for the complex

将来的には、この同じ方法を拡張して、複雑な

interactions within our bodies, giving us a much clearer understanding of how they work

私たちの体の中での相互作用により、それらがどのように機能するかをより明確に理解することができます。

and what to do when they don't.

そして、彼らがそうしない時にどうするか。

But there's still a ways to go.

でも、まだ道はある。

Moving towards the future of automated science, one of the challenges of course is a technical

自動化された科学の未来に向けて移動し、もちろん課題の一つは技術的なものです。

one.

1つ。

How do we implement this for many different kinds of experimental spaces for different

のための多くの異なる種類の実験空間に対して、どのように実装するのか？

cells, for tissues, for whole organisms.

細胞、組織、生物全体のために。

And so that, of course, is going to take an enormous amount of work.

もちろん、それには膨大な量の仕事が必要になります。

But there is a real bottleneck there in the adoption of this automated science approach

しかし、この自動化された科学的アプローチの採用には、実際のボトルネックがあります。

by scientists.

科学者によって。

I thought that a good place to start would be by building a Master's program in automated

私は、自動化の修士プログラムを構築することから始めるのが良い場所だと思いました。

science.

科学のことです。

The first class just finished their first year.

1年生が終わったばかりのクラス。

Those are going to be some of the most productive scientists around because they'll be able

彼らは最も生産性の高い科学者の一人になるでしょう。

to scale their experiments through code and automation, and also be able to scale the

は、コードと自動化によって実験をスケールさせることができ、また

actual data analysis piece as well.

実際のデータ分析ピースも

A lot of people ask me, "What's the role for humans if you've eliminated humans from the

多くの人から「人間を排除した場合の人間の役割は？

loop?"

逃げるのか？

I think that one answer to that kind of question is the same answer that's been given to automation

その手の質問に対する一つの答えが、自動化に対する答えと同じだと思うのですが

for hundreds of years which is that automation doesn't replace the need for people.

何百年もの間、自動化は人の必要性に取って代わるものではないということです。

It changes the jobs that people do.

人の仕事が変わる。

Now a PhD student themselves could be their own PI of all of these different robots doing

今、博士課程の学生自身が、これらの異なるロボットのすべての自分のPIになることができます。

experiments for them.

彼らのための実験。

So they can actually have much grander aspirations of the hypotheses that they want to evaluate,

だから、彼らは実際には評価したい仮説のはるかに大きな志を持つことができます。

and the scale of experimentation they want to accomplish.

と達成したい実験の規模。