Google veröffentlicht AI Co-scientist, einen intelligenten Forschungsassistenten mit Gemini-Unterstützung

Auf dem weiten Feld der wissenschaftlichen Forschung sind Wissenschaftler wie Entdecker, die mit ihrem außergewöhnlichen Talent und ihrer Kreativität, kombiniert mit Erkenntnissen und Fachwissen aus einer umfangreichen Literatur, immer wieder neue und praktikable Forschungsrichtungen eröffnen und den Weg für nachfolgende Erkundungen weisen. In vielen Disziplinen stehen die Forscher jedoch oft vor der Herausforderung, sowohl in die Breite als auch in die Tiefe zu gehen. Die explosionsartige Zunahme wissenschaftlicher Veröffentlichungen und die Notwendigkeit, Erkenntnisse aus unbekannten Bereichen zu integrieren, machen die Forschung zunehmend komplexer. Interdisziplinäre Forschung führt oft zu bahnbrechenden Durchbrüchen, wie die CRISPR-Technologie, die aus der Konvergenz von Wissen aus der Mikrobiologie, der Genetik und der Molekularbiologie hervorgegangen ist, und der Nobelpreis für Chemie 2020, der Emmanuelle Charpentier und Jennifer Doudna für ihre Pionierarbeit im Bereich CRISPR verliehen wurde.

Das System AI Co-Scientist ist ein Multi-Agenten-KI-System, das von den vielen ungedeckten Bedürfnissen moderner wissenschaftlicher Entdeckungen angetrieben wird und von den jüngsten raschen Fortschritten in der künstlichen Intelligenz profitiert, insbesondere von der Fähigkeit der KI, Wissen aus komplexen Disziplinen zu integrieren und langfristige Planungen und Schlussfolgerungen durchzuführen. AI Co-Scientist ist ein Multi-Agenten-KI-System, das als virtueller kollaborativer Assistent für Forscher konzipiert ist. Es ist aufgebaut auf Zwillinge 2.0 ist seine Designphilosophie in hohem Maße mit dem Denkprozess der wissenschaftlichen Forschungsmethode vereinbar. Im Gegensatz zu den traditionellen Instrumenten der Literaturrecherche, des Abstracting und der Tiefenforschung sind die KI-Co-Wissenschaftler bestrebt, originäres neues Wissen aufzudecken und innovative Forschungshypothesen und -szenarien auf der Grundlage vorhandener Erkenntnisse in Verbindung mit spezifischen Forschungszielen zu entwickeln.

KI-Ko-Wissenschaftler: Stärkung der Forschung, Beschleunigung der Entdeckung

Die Forscher geben einfach Forschungsziele in natürlicher Sprache vor, und die KI-Ko-Wissenschaftler erstellen automatisch neue Forschungshypothesen, detaillierte Forschungsübersichten und Versuchsprotokolle. Um dies zu erreichen, setzt das System eine Reihe von spezialisierten Agenten ein, darunter Generation, Reflection und AI.ReflexionDas Design dieser Agenten, wie "Ranking", "Evolution", "Proximity" und "Meta-review", ist von der wissenschaftlichen Forschungsmethode selbst inspiriert. Diese Agenten verwenden automatisierte Rückmeldungen, um Hypothesen in einem Zyklus der Selbstverbesserung zu generieren, zu bewerten und zu optimieren und so Forschungsergebnisse von immer höherer Qualität und Innovation zu erzielen.

AI Co-Wissenschaftler Überblick.

AI Co-Scientist ist auf Zusammenarbeit ausgelegt und ermöglicht es den Forschern, auf verschiedene Weise mit dem System zu interagieren, z. B. indem sie ihre anfänglichen Gedanken direkt dem System zur Verfügung stellen, damit dieses sie eingehend untersuchen kann, oder indem sie in natürlicher Sprache Feedback zu den vom System generierten Ergebnissen geben. Darüber hinaus integriert AI Co-Scientist Tools wie die Websuche und spezialisierte KI-Modelle, um die Zuverlässigkeit und Qualität von Hypothesen zu verbessern.

Schematische Darstellung der Komponenten des Multiagentensystems für KI-Ko-Wissenschaftler und der Interaktionsmuster zwischen dem System und den Forschern.

KI-Ko-Wissenschaftler setzen die von den Forschern gesetzten Ziele in einen Forschungsplan um, der von einem "Supervisor"-Agenten verwaltet wird. Der Supervisor-Agent ist für die Zuweisung spezialisierter Agenten zu Arbeitswarteschlangen und die Zuweisung von Ressourcen zuständig. Auf diese Weise kann das System die Rechenleistung flexibel skalieren und seine wissenschaftlichen Argumentationsfähigkeiten für bestimmte Forschungsziele iterativ optimieren.

Überblick über das AI Co-Scientist System. Spezialisierte Agenten (rote Kästen mit eindeutigen Rollen und Logik); Eingaben und Rückmeldungen von Wissenschaftlern (blaue Kästen); Informationsfluss im System (dunkelgraue Pfeile); Rückmeldungen zwischen den Agenten (rote Pfeile innerhalb des Agentenbereichs).

Arithmetische Skalierung: Förderung des wissenschaftlichen Denkens

Die KI arbeitet mit Wissenschaftlern zusammen und nutzt arithmetische Skalierungstechniken, um iterative Schlussfolgerungen, Evolution und Optimierung der Ergebnisse zu ermöglichen. Zu den wichtigsten Schlussfolgerungsschritten gehören auf "Selbstspiel" basierende wissenschaftliche Debatten zur Generierung neuer Hypothesen, Ranglistenwettbewerbe zum Hypothesenvergleich und "Evolutionsprozesse" zur Qualitätsverbesserung. Die Agentenfunktion des Systems ermöglicht eine rekursive Selbstkritik, einschließlich der Verwendung von Feedback-Tools zur Verbesserung von Hypothesen und Szenarien.

Die Selbstverbesserung des Systems stützt sich auf die aus dem Wettbewerb gewonnenen automatischen Bewertungskennzahlen "Elo". Aufgrund der zentralen Rolle der Elo-Metriken untersuchte das Forschungsteam, ob höhere Elo-Punktzahlen mit einer höheren Qualität der Ergebnisse einhergehen. Durch die Analyse der Übereinstimmung zwischen der automatischen Elo-Bewertung und der Genauigkeit des GPQA-Benchmarktests (für Rätsel auf Diamantenebene) stellte das Team fest, dass höhere Elo-Werte positiv mit einer höheren Wahrscheinlichkeit richtiger Antworten korreliert waren.

Durchschnittliche Genauigkeit von KI-Ko-Wissenschaftlern (blaue Linie) und Gemini 2.0-Referenzmodellen (rote Linie) bei GPQA-Diamanträtseln, gruppiert nach Elo-Punktzahl, einer automatischen Bewertungsmetrik, die nicht auf unabhängigen Standardantworten basiert.

Sieben Fachexperten wählten 15 offene Forschungsziele und Best-Guess-Lösungen in ihren Fachgebieten aus. Unter Verwendung automatisierter Elo-Metriken stellte das Forschungsteam fest, dass KI-Ko-Wissenschaftler bei diesen komplexen Problemen andere fortgeschrittene Agentenmodelle und Inferenzmodelle übertrafen. Die Analysen verdeutlichten die Vorteile der Verwendung induktiver Verzerrungen, die aus wissenschaftlichen Forschungsmethoden abgeleitet wurden, um Berechnungen zur Testzeit zu skalieren. Die experimentellen Ergebnisse zeigen, dass sich die Qualität der Selbsteinschätzung verbessert, wenn das System mehr Zeit zum Nachdenken und Verbessern hat, und dass es sogar andere Modelle und ungestützte menschliche Experten übertrifft.

Die Leistung der KI-Ko-Wissenschaftler verbessert sich mit zunehmender Berechnungszeit des Systems. Dies zeigt sich daran, dass die automatisierten Elo-Metriken andere Basismodelle allmählich übertreffen. Oben: Elo-Fortschritt für die bestbewertete Hypothese. Unten: Durchschnittlicher Elo-Fortschritt für die 10 besten Hypothesen.

Für eine kleine Gruppe von 11 Forschungszielen bewerteten die Experten die Neuartigkeit und die potenzielle Wirkung der von KI-Ko-Wissenschaftlern erzielten Ergebnisse und verglichen sie mit anderen Basismodellen; außerdem gaben sie allgemeine Präferenzen an. Trotz der geringen Stichprobengröße schätzten die Experten die KI-Ko-Wissenschaftler als innovativer und wirkungsvoller ein und bevorzugten ihre Ergebnisse. Darüber hinaus schienen die Präferenzen der menschlichen Experten mit den zuvor vorgestellten automatischen Elo-Bewertungsmetriken übereinzustimmen.

Menschliche Experten bewerteten die Forschungsergebnisse der KI-Ko-Wissenschaftler als neuartiger und aussichtsreicher (linkes Feld) und bevorzugten sie gegenüber anderen Modellen (rechtes Feld).

Experimentelle Validierung: Anwendung der Hypothesen der KI-Wissenschaftler in der realen Welt

Um die praktische Anwendung der neuartigen Vorhersagen des Systems zu bewerten, führte das Team End-to-End-Laborexperimente in drei wichtigen biomedizinischen Bereichen durch, um die von den KI-Wissenschaftlern entwickelten Hypothesen und Forschungsszenarien zu validieren. Die drei Bereiche waren: Repurposing von Arzneimitteln, Entdeckung neuartiger therapeutischer Targets und Auflösung antimikrobieller Resistenzmechanismen. Diese Experimente wurden unter Anleitung von Experten durchgeführt und umfassten Anwendungsszenarien unterschiedlicher Komplexität:

Leukämie: ein neuer Durchbruch beim Repurposing von Arzneimitteln

Die Entdeckung von Arzneimitteln ist ein zunehmend zeit- und kostenaufwändiger Prozess. Für jede neue Indikation oder Krankheit müssen bei der Entwicklung neuer Therapien viele Teile des Entdeckungs- und Entwicklungsprozesses neu eingeleitet werden. Drug Repurposing" wurde ins Leben gerufen, um diese Herausforderung zu bewältigen, indem neue therapeutische Anwendungen für bestehende Medikamente über deren bestimmungsgemäße Verwendung hinaus ermittelt werden. Aufgrund der Komplexität der Aufgabe erfordert das "Drug Repurposing" jedoch ein breites Spektrum an interdisziplinärem Fachwissen.

Das Forschungsteam setzte KI ein, um in Zusammenarbeit mit Wissenschaftlern Möglichkeiten für die Umwidmung von Arzneimitteln vorherzusagen, und validierte diese Vorhersagen gemeinsam mit Partnern durch computergestützte Biologie, Feedback von klinischen Experten und In-vitro-Experimente.

Die AI-Wissenschaftler schlugen vor allem neue Kandidaten für das Repurposing von Arzneimitteln gegen akute myeloische Leukämie (AML) vor. Die anschließende experimentelle Validierung dieser Protokolle bestätigte, dass die empfohlenen Arzneimittel die Lebensfähigkeit von Tumorzellen in klinisch relevanten Konzentrationen in einer Vielzahl von AML-Zelllinien hemmen.

Dosis-Wirkungs-Kurven, die von AI-Wissenschaftlern für eines der drei neuen AML-Medikamente vorhergesagt wurden.KIRA6 hemmt die Lebensfähigkeit von KG-1 (AML-Zelllinie) in klinisch relevanten Konzentrationen. Die Fähigkeit, die Lebensfähigkeit von Krebszellen bei niedrigeren Medikamentenkonzentrationen zu reduzieren, hat mehrere Vorteile, wie z. B. die Verringerung des Risikos von Off-Target-Nebenwirkungen.

Leberfibrose: Beschleunigte Entdeckung von Zielen

Die Identifizierung neuartiger therapeutischer Targets ist komplexer als das Repurposing von Arzneimitteln und führt häufig zu einer ineffizienten Auswahl von Hypothesen und einer schlechten Priorisierung von In-vitro- und In-vivo-Experimenten. Die KI-gestützte Entdeckung von Targets kann dazu beitragen, den Prozess der experimentellen Validierung zu straffen und potenziell die Entwicklungszeit und -kosten zu reduzieren.

Das Team untersuchte eingehend die Fähigkeiten des KI-Co-Wissenschaftler-Systems für die Entdeckung von Zielmolekül-Hypothesen, einschließlich des Vorschlags, der Sequenzierung und der Generierung von Hypothesen und Versuchsprotokollen, mit einem Schwerpunkt auf Leberfibrose.Der KI-Co-Wissenschaftler demonstrierte sein Potenzial durch die Identifizierung epigenetischer Zielmoleküle auf der Grundlage präklinischer Nachweise, die eine signifikante antifibrotische Aktivität in einem menschlichen leberähnlichen Organoid (einem 3D-Zellkulturmodell, das die Struktur und Funktion der menschlichen Leber nachahmen soll) zeigten.Der KI-Co-Wissenschaftler demonstrierte auch sein Potenzial für die Identifizierung epigenetischer Zielmoleküle auf der Grundlage präklinischer Nachweise. ), die im menschlichen Leberorganoid (einem 3D-Zellkulturmodell, das die Struktur und Funktion der menschlichen Leber nachbilden soll) eine signifikante antifibrotische Wirkung zeigen. Diese Ergebnisse werden in einem demnächst erscheinenden Bericht unserer Mitarbeiter an der Stanford University ausführlich dargestellt.

Vergleich der von den KI-Ko-Wissenschaftlern vorgeschlagenen Therapieschemata für Leberfibrose mit Fibrose-Induktoren (Negativkontrolle) und Hemmstoffen (Positivkontrolle) Alle von den KI-Ko-Wissenschaftlern vorgeschlagenen Therapieschemata zeigten eine vielversprechende Aktivität (p-Wert von <0,01 für alle vorgeschlagenen Arzneimittel), darunter auch Kandidaten, die in der Lage sein könnten, den Krankheitsphänotyp umzukehren. Die detaillierten Ergebnisse werden in einem demnächst erscheinenden Bericht der Stanford-Mitarbeiter vorgestellt.

Antimikrobielle Resistenz: ein mechanistischer Ansatz

In einem dritten Validierungsfall konzentrierte sich das Forschungsteam auf die Entwicklung von Hypothesen zur Erklärung der evolutionären Mechanismen des bakteriellen Gentransfers im Zusammenhang mit der antimikrobiellen Resistenz (AMR). Antimikrobielle Resistenz ist der Mechanismus, durch den sich Mikroben entwickelt haben, um gegen Antiinfektiva resistent zu werden. Dies ist eine weitere komplexe Herausforderung, die ein Verständnis der molekularen Mechanismen des Gentransfers (einschließlich Konjugation, Transduktion und Transformation) sowie des ökologischen und evolutionären Drucks erfordert, der die Verbreitung von AMR-Genen vorantreibt.

• Kombination (Konjugation). Der Prozess der Übertragung von genetischem Material zwischen Bakterien durch direkten Kontakt oder interzelluläre Brücken.
• (Transduktion). Der Prozess der Übertragung von DNA von einer Bakterienzelle auf eine andere durch ein Virus (Phage).
• Umwandlung. Der Prozess, bei dem ein Bakterium freie DNA direkt aus seiner Umgebung aufnimmt und in sein eigenes Genom einbaut.

Um diesen Test durchzuführen, beauftragten die Experten die KI-Wissenschaftler, ein Thema zu erforschen, zu dem ihr Team neue Entdeckungen gemacht hatte, die aber noch nicht veröffentlicht worden waren, nämlich die Erklärung, wie "hüllenbildende phageninduzierte Chromosomeninseln (cf-PICIs)" in einer Vielzahl von Bakterienarten vorkommen. cf-PICIs sind eine besondere Klasse von genetischen Elementen, die in der Lage sind, sich zwischen Bakterien zu übertragen und auf komplexe Weise mit Phagen, einer Art Virus, der Bakterien infiziert, zu interagieren. (ein Virus, das Bakterien infiziert). Überraschenderweise haben die AI-Wissenschaftler systematisch und unabhängig voneinander die Hypothese aufgestellt, dass cf-PICIs mit den Schwänzen mehrerer Phagen interagieren, um ihren Wirtsbereich zu erweitern. Diese "in silico"-Entdeckung wurde in neuartigen Laborexperimenten validiert, die vor der Anwendung des AI Co-Scientist Systems durchgeführt wurden, und wird in einer gleichzeitig veröffentlichten Arbeit mit Mitarbeitern der Fleming Initiative und des Imperial College London beschrieben (1, 2) beschrieben ist. Dies verdeutlicht den Wert des KI-Co-Wissenschaftler-Systems als unterstützende Technologie, da es in der Lage ist, alle Erkenntnisse aus jahrzehntelanger frei zugänglicher Literatur zu diesem Thema effizient zu nutzen.

Zeitleiste der Zusammenarbeit von AI mit Wissenschaftlern zur Wiederentdeckung neuer Gentransfermechanismen. Blau: Zeitleiste des experimentellen Forschungsprozesses für cf-PICI-Mobilitätsentdeckungen. Rot: KI-Ko-Wissenschaftler entwickeln und verallgemeinern diese wichtigen Erkenntnisse (in Ermangelung von A-priori-Wissen).

Grenzen und Perspektiven: eine Leiter des kontinuierlichen Fortschritts

In dem Bericht geht das Team auf mehrere Einschränkungen des Systems und Verbesserungsmöglichkeiten ein, darunter: verbesserte Literaturrecherche, Faktenüberprüfung, Kreuzvalidierung mit externen Tools, automatisierte Bewertungstechniken und Bewertungen in größerem Maßstab, z. B. die Einladung von mehr Fachleuten mit unterschiedlichen Forschungsthemen zur Teilnahme.Die Einführung des KI-Ko-Wissenschaftlers stellt einen bedeutenden Fortschritt für die KI-gestützte wissenschaftliche Forschung dar. Die Einführung von KI-Ko-Wissenschaftlern stellt einen bedeutenden Fortschritt in der KI-gestützten Forschungstechnologie dar, der den Prozess der wissenschaftlichen Entdeckung erheblich beschleunigen dürfte. Das System ist in der Lage, neuartige und überprüfbare Hypothesen in verschiedenen wissenschaftlichen und biomedizinischen Bereichen aufzustellen, von denen einige bereits in Experimenten validiert wurden, und es ist in der Lage, sich durch verbesserte Rechenleistung selbst zu verbessern. Zusammengenommen zeigen diese Eigenschaften ihr großes Potenzial, die Reaktion der Forscher auf große Herausforderungen in Wissenschaft und Medizin zu beschleunigen. Wir freuen uns darauf, das Potenzial von KI-Kollaborationswissenschaftlern als Forschungshelfer auf verantwortungsvolle Weise weiter zu erforschen. Dieses Projekt zeigt anschaulich, wie kollaborative und auf den Menschen ausgerichtete KI-Systeme die menschliche Kreativität fördern und die wissenschaftliche Entdeckung beschleunigen können.

AI Co-Scientist "Trusted Tester Program" startet und lädt Sie ein, gemeinsam neue Paradigmen der wissenschaftlichen Forschung zu erforschen

Das Forschungsteam sieht sich durch die ersten Ergebnisse des KI-Co-Scientist-Systems ermutigt und sieht die Notwendigkeit, dessen Stärken und Grenzen im breiteren wissenschaftlichen und biomedizinischen Bereich zu bewerten. Um diese Arbeit verantwortungsvoll voranzutreiben, wird das Team den Zugang zu dem System für Forschungseinrichtungen über das Trusted Tester Program öffnen. Interessierte Forschungseinrichtungen auf der ganzen Welt können sich an dem Programm beteiligen; Einzelheiten dazu finden Sie unter Link (auf einer Website).