Google lance AI Co-scientist, un assistant de recherche intelligent alimenté par Gemini

Dans le vaste domaine de la recherche scientifique, les scientifiques sont comme des explorateurs qui, grâce à leur talent et à leur créativité extraordinaires, combinés aux connaissances et à l'expertise tirées d'une vaste littérature, continuent d'ouvrir de nouvelles voies de recherche viables et ouvrent la voie à des explorations ultérieures. Cependant, dans de nombreuses disciplines, les chercheurs sont souvent confrontés au défi de l'"étendue" et de la "profondeur". L'explosion du nombre de publications scientifiques et la nécessité d'intégrer des connaissances provenant de domaines peu familiers rendent la recherche de plus en plus complexe. La recherche interdisciplinaire est souvent à l'origine de percées décisives, comme la technologie CRISPR, née de la convergence de connaissances issues de la microbiologie, de la génétique et de la biologie moléculaire, et le prix Nobel de chimie 2020 décerné à Emmanuelle Charpentier et Jennifer Doudna pour leur travail de pionnières dans le domaine de CRISPR.

Motivé par les nombreux besoins non satisfaits de la découverte scientifique moderne et bénéficiant des récentes avancées rapides de l'intelligence artificielle, en particulier de la capacité de l'IA à intégrer des connaissances provenant de disciplines complexes et à effectuer une planification et un raisonnement à long terme, un système appelé AI Co-Scientist est un système d'IA multi-agents qui vise à AI Co-Scientist est un système d'IA multi-agents conçu pour être un assistant collaboratif virtuel pour les chercheurs. Il s'appuie sur Gémeaux 2.0, sa philosophie de conception est hautement compatible avec le processus de raisonnement de la méthode de recherche scientifique. Contrairement aux outils traditionnels d'analyse de la littérature, de résumé et de recherche approfondie, les cochercheurs en IA s'engagent à découvrir de nouvelles connaissances originales et à élaborer des hypothèses et des scénarios de recherche novateurs fondés sur les données existantes, en liaison avec des objectifs de recherche spécifiques.

Cochercheurs en IA : renforcer la recherche, accélérer la découverte

Les chercheurs définissent simplement leurs objectifs de recherche en langage naturel, et les cochercheurs en IA génèrent automatiquement de nouvelles hypothèses de recherche, des aperçus détaillés de la recherche et des protocoles expérimentaux. Pour ce faire, le système utilise une série d'agents spécialisés, dont la génération, la réflexion et l'IA.RéflexionLa conception de ces agents, tels que "Ranking", "Evolution", "Proximity" et "Meta-review", s'inspire de la méthode de recherche scientifique elle-même. Ces agents utilisent un retour d'information automatisé pour itérer, générer, évaluer et optimiser des hypothèses dans un cycle d'auto-amélioration, produisant des résultats de recherche d'une qualité et d'une innovation sans cesse croissantes.

Aperçu de l'activité de coscientifique en IA.

AI Co-Scientist est conçu pour la collaboration, permettant aux chercheurs d'interagir avec le système de différentes manières, notamment en fournissant leurs idées initiales directement pour que le système les explore en profondeur, ou en fournissant un retour d'information en langage naturel sur les résultats générés par le système. En outre, AI Co-Scientist intègre des outils tels que la recherche sur le web et des modèles d'IA spécialisés pour améliorer la fiabilité et la qualité des hypothèses.

Schéma des composants du système multi-agents pour les cochercheurs en IA et des modèles d'interaction entre le système et les chercheurs.

Les cochercheurs en IA analysent les objectifs fixés par les chercheurs pour établir un plan de recherche, qui est géré par un agent "superviseur". L'agent superviseur est chargé d'affecter des agents spécialisés aux files d'attente et d'allouer les ressources. Cette conception permet au système d'adapter de manière flexible la puissance de calcul et d'optimiser de manière itérative ses capacités de raisonnement scientifique pour des objectifs de recherche spécifiques.

Vue d'ensemble du système de co-scientifique IA. Agents spécialisés (cases rouges avec des rôles et une logique uniques) ; contribution et retour d'information du scientifique (cases bleues) ; flux d'information du système (flèches gris foncé) ; retour d'information entre agents (flèches rouges dans la section de l'agent).

Mise à l'échelle arithmétique : approfondir le raisonnement scientifique

L'IA collabore avec les scientifiques en utilisant des techniques d'échelonnement arithmétique pour permettre le raisonnement itératif, l'évolution et l'optimisation des résultats. Les principales étapes de l'inférence comprennent des débats scientifiques basés sur l'"auto-jeu" pour générer de nouvelles hypothèses, des concours de classement pour comparer les hypothèses et des processus d'"évolution" pour améliorer la qualité. La fonction d'agent du système facilite l'autocritique récursive, y compris l'utilisation d'outils de retour d'information pour améliorer les hypothèses et les scénarios.

L'auto-amélioration du système repose sur les mesures d'évaluation automatisée "Elo" obtenues lors de la compétition. En raison du rôle central des mesures Elo, l'équipe de recherche a cherché à déterminer si des scores Elo plus élevés étaient associés à une meilleure qualité de production. En analysant la cohérence entre l'évaluation automatique Elo et la précision du test de référence GPQA (pour les puzzles de niveau diamant), l'équipe a constaté que des scores Elo élevés étaient positivement corrélés à une plus grande probabilité de réponses correctes.

Précision moyenne des cochercheurs en IA (ligne bleue) et des modèles de référence Gemini 2.0 (ligne rouge) sur les puzzles de niveau diamant du GPQA, regroupés par score Elo, qui est une mesure d'évaluation automatisée ne reposant pas sur des réponses standard indépendantes.

Sept experts ont sélectionné 15 objectifs de recherche ouverts et les meilleures solutions possibles dans leurs domaines d'expertise. À l'aide de mesures Elo automatisées, l'équipe de recherche a observé que les cochercheurs en IA ont obtenu de meilleurs résultats que d'autres modèles d'agents avancés et modèles d'inférence sur ces problèmes complexes. Les analyses ont reproduit les avantages de l'utilisation d'un biais inductif dérivé des méthodes de recherche scientifique pour étendre le calcul au moment du test. Les résultats expérimentaux montrent que la qualité de l'auto-évaluation s'améliore au fur et à mesure que le temps de raisonnement et d'amélioration du système augmente, allant même jusqu'à surpasser d'autres modèles et des experts humains non assistés.

Les performances des cochercheurs en IA s'améliorent à mesure que le temps de calcul du système augmente. Cela se voit dans les mesures Elo automatisées, qui surpassent progressivement les autres modèles de référence. En haut : Progression Elo pour l'hypothèse ayant obtenu le meilleur score. En bas : Progression Elo moyenne pour les 10 meilleures hypothèses.

Pour un petit sous-ensemble de 11 objectifs de recherche, les experts ont évalué la nouveauté et l'impact potentiel des résultats générés par les cochercheurs en IA et les ont comparés à d'autres modèles de référence ; ils ont également fait part de leurs préférences générales. Malgré la petite taille de l'échantillon, les experts ont toujours perçu les cochercheurs en IA comme ayant une nouveauté et un impact potentiel plus importants, et ont préféré leurs résultats. En outre, les préférences des experts humains semblent correspondre aux paramètres d'évaluation automatisée Elo présentés précédemment.

Les experts humains ont estimé que les résultats des recherches des cochercheurs en IA étaient plus novateurs et avaient un impact potentiel plus important (panneau de gauche) et qu'ils étaient préférés à d'autres modèles (panneau de droite).

Validation expérimentale : application dans le monde réel des hypothèses des cochercheurs en IA

Pour évaluer l'application pratique des nouvelles prédictions du système, l'équipe a mené des expériences de laboratoire de bout en bout dans trois domaines biomédicaux clés afin de valider les hypothèses et les scénarios de recherche générés par les cochercheurs en IA. Ces trois domaines sont : la réaffectation des médicaments, la découverte de nouvelles cibles thérapeutiques et la résolution des mécanismes de résistance aux antimicrobiens. Ces expériences ont été menées sous la direction d'experts et ont couvert des scénarios d'application de différents niveaux de complexité :

Leucémie : une nouvelle avancée dans la réorientation des médicaments

La découverte de médicaments est un processus de plus en plus long et coûteux. Pour chaque nouvelle indication ou maladie, le développement de nouvelles thérapies nécessite la reprise de nombreuses étapes du processus de découverte et de développement". Le "Drug Repurposing" a été créé pour relever ce défi en identifiant de nouvelles applications thérapeutiques pour les médicaments existants au-delà de leur utilisation prévue. Toutefois, en raison de la complexité de la tâche, la réaffectation des médicaments nécessite un large éventail d'expertise interdisciplinaire.

L'équipe de recherche a utilisé l'IA pour collaborer avec les scientifiques afin de prédire les possibilités de réorientation des médicaments et, avec ses partenaires, a validé ces prédictions par le biais de la biologie computationnelle, du retour d'information des experts cliniques et d'expériences in vitro.

Les coscientifiques de l'IA ont notamment proposé de nouveaux candidats à la réorientation de médicaments pour la leucémie myéloïde aiguë (LMA). La validation expérimentale ultérieure de ces protocoles a confirmé que les médicaments recommandés inhibent la viabilité des cellules tumorales à des concentrations cliniquement pertinentes dans un large éventail de lignées cellulaires de la LMA.

Courbes dose-réponse prédites par les cochercheurs d'AI pour l'un des trois nouveaux schémas de reconversion de médicaments contre la LMA.KIRA6 inhibe la viabilité de KG-1 (lignée cellulaire de la LMA) à des concentrations cliniquement pertinentes. La capacité de réduire la viabilité des cellules cancéreuses à des concentrations plus faibles présente de nombreux avantages, notamment la réduction du risque d'effets secondaires hors cible.

Fibrose du foie : accélérer la découverte de cibles

L'identification de nouvelles cibles thérapeutiques est plus complexe que la réorientation des médicaments et entraîne souvent une sélection inefficace des hypothèses et une mauvaise hiérarchisation des expériences in vitro et in vivo. La découverte de cibles assistée par l'IA peut contribuer à rationaliser le processus de validation expérimentale et potentiellement réduire le temps et les coûts de développement.

L'équipe a exploré en profondeur les capacités du système AI co-scientist pour les hypothèses de découverte de cibles, y compris la proposition, le séquençage et la génération d'hypothèses et de protocoles expérimentaux, en mettant l'accent sur la fibrose du foie. Le système AI co-scientist a démontré son potentiel en identifiant des cibles épigénétiques basées sur des preuves précliniques qui ont montré une activité antifibrotique significative dans les organoïdes du foie humain, un modèle de culture cellulaire en 3D conçu pour imiter la structure et la fonction du foie humain. ) qui ont montré une activité antifibrotique significative dans l'organoïde hépatique humain (un modèle de culture cellulaire en 3D conçu pour imiter la structure et la fonction du foie humain). Ces résultats seront détaillés dans un prochain rapport de nos collaborateurs de l'université de Stanford.

Comparaison des schémas thérapeutiques ciblés sur la fibrose hépatique proposés par les cochercheurs de l'IA avec des inducteurs de fibrose (contrôle négatif) et des inhibiteurs (contrôle positif) Tous les schémas thérapeutiques proposés par les cochercheurs de l'IA ont montré une activité prometteuse (valeur p <0,01 pour tous les médicaments proposés), y compris des candidats qui pourraient être en mesure d'inverser le phénotype de la maladie. Les résultats détaillés seront présentés dans un prochain rapport des collaborateurs de Stanford.

Résistance aux antimicrobiens : une approche mécaniste

Dans le cadre du troisième cas de validation, l'équipe de recherche s'est attachée à formuler des hypothèses pour expliquer les mécanismes évolutifs du transfert de gènes bactériens associés à la résistance aux antimicrobiens (RAM). La résistance aux antimicrobiens est le mécanisme par lequel les microbes ont évolué pour résister aux médicaments anti-infectieux. Il s'agit d'un autre défi complexe qui nécessite une compréhension des mécanismes moléculaires du transfert de gènes (y compris la conjugaison, la transduction et la transformation) ainsi que des pressions écologiques et évolutives qui entraînent la propagation des gènes de la RAM.

• Combinaison (conjugaison). Le processus de transfert de matériel génétique entre bactéries par contact direct ou par des ponts intercellulaires.
• (transduction). Le processus de transfert d'ADN d'une cellule bactérienne à une autre par l'intermédiaire d'un virus (phage).
• transformation. Processus par lequel une bactérie prend de l'ADN libre directement dans son environnement et l'intègre dans son propre génome.

Pour réaliser ce test, les chercheurs experts ont demandé aux cochercheurs en IA d'explorer un sujet sur lequel leur équipe avait fait de nouvelles découvertes, mais qui n'avait pas encore été rendu public, à savoir expliquer comment les "îlots chromosomiques induits par les phages formant un manteau (cf-PICI)" sont présents dans un large éventail d'espèces bactériennes. Les cf-PICI sont une classe spéciale d'éléments génétiques capables de se transférer entre les bactéries et d'interagir de manière complexe avec les phages, un type de virus qui infecte les bactéries. (un virus qui infecte les bactéries). De manière surprenante, les coscientifiques de l'IA ont proposé de manière systématique et indépendante l'hypothèse selon laquelle les cf-PICI interagissent avec les queues de plusieurs phages afin d'étendre leur gamme d'hôtes. Cette découverte "in silico" a été validée par des expériences originales en laboratoire avant l'application du système AI Co-Scientist, et est décrite dans un article publié simultanément avec des collaborateurs de l'Initiative Fleming et de l'Imperial College London (1, 2) est décrite dans. Cela illustre la valeur du système de co-scientifique IA en tant que technologie d'assistance, car il est capable d'utiliser efficacement tous les résultats de décennies de littérature en libre accès sur le sujet.

Chronologie de la collaboration de l'IA avec des scientifiques pour redécouvrir de nouveaux mécanismes de transfert de gènes. Bleu : chronologie du processus de recherche expérimentale pour les découvertes en matière de mobilité du cf-PICI. Rouge : les cochercheurs de l'IA développent et généralisent ces découvertes clés (en l'absence de connaissances a priori).

Limites et perspectives : une échelle de progrès continu

Dans le rapport, l'équipe détaille plusieurs limites du système et des pistes d'amélioration, notamment : l'amélioration de l'analyse documentaire, la vérification des faits, la validation croisée avec des outils externes, des techniques d'évaluation automatisées et des évaluations à plus grande échelle, telles que l'invitation à participer d'un plus grand nombre d'experts du domaine ayant des thèmes de recherche différents.L'introduction du cochercheur en IA représente une avancée significative pour la recherche scientifique assistée par l'IA. L'introduction des cochercheurs en IA représente une avancée significative dans la technologie de la recherche assistée par l'IA, qui devrait accélérer considérablement le processus de découverte scientifique. Le système est capable de générer des hypothèses nouvelles et vérifiables dans de multiples domaines scientifiques et biomédicaux, dont certaines ont déjà été validées par des expériences, et il est capable de s'auto-améliorer de manière récursive grâce à une puissance arithmétique accrue. Ensemble, ces attributs démontrent leur grand potentiel pour accélérer la réponse des chercheurs aux défis majeurs de la science et de la médecine. Nous sommes impatients d'explorer plus avant le potentiel des scientifiques collaboratifs de l'IA en tant qu'aides à la recherche de manière responsable. Ce projet démontre de manière éclatante comment les systèmes d'IA collaboratifs et centrés sur l'humain peuvent améliorer la créativité humaine et accélérer la découverte scientifique.

Lancement du programme "Trusted Tester" des coscientifiques en IA, qui vous invite à explorer ensemble un nouveau paradigme de la recherche scientifique

L'équipe de recherche est encouragée par les premiers résultats démontrés par le système AI Co-Scientist et considère qu'il est nécessaire d'évaluer ses forces et ses limites dans les domaines scientifiques et biomédicaux plus larges. Afin de faire avancer ce travail de manière responsable, l'équipe ouvrira l'accès au système aux institutions de recherche par le biais du programme Trusted Tester. Les organismes de recherche intéressés du monde entier peuvent envisager de rejoindre le programme, dont les détails sont disponibles à l'adresse suivante lien (sur un site web).