No vasto campo da pesquisa científica, os cientistas são como exploradores que, com seu extraordinário talento e criatividade, combinados com percepções e conhecimentos especializados extraídos de um vasto corpo de literatura, continuam a abrir novas e viáveis direções de pesquisa e a liderar o caminho para a exploração subsequente. No entanto, em muitas disciplinas, os pesquisadores geralmente se deparam com o desafio da "amplitude" e da "profundidade". A explosão do número de publicações científicas e a necessidade de integrar percepções de campos desconhecidos tornam a pesquisa cada vez mais complexa. A pesquisa interdisciplinar geralmente leva a avanços revolucionários, como a tecnologia CRISPR, que nasceu da convergência de conhecimentos de microbiologia, genética e biologia molecular, e o Prêmio Nobel de Química de 2020 concedido a Emmanuelle Charpentier e Jennifer Doudna por seu trabalho pioneiro em CRISPR.
Impulsionado pelas muitas necessidades não atendidas da descoberta científica moderna e beneficiando-se dos recentes e rápidos avanços da inteligência artificial, particularmente da capacidade da IA de integrar o conhecimento de disciplinas complexas e realizar planejamento e raciocínio de longo prazo, um sistema chamado AI Co-Scientist é um sistema de IA multiagente que visa O AI Co-Scientist é um sistema de IA multiagente projetado para ser um assistente virtual colaborativo para pesquisadores. Ele foi desenvolvido com base em Gêmeos 2.0, sua filosofia de design é altamente compatível com o processo de raciocínio do método de pesquisa científica. Diferentemente das ferramentas tradicionais de revisão da literatura, resumo e pesquisa aprofundada, os cocientistas de IA têm o compromisso de descobrir novos conhecimentos originais e desenvolver hipóteses e cenários de pesquisa inovadores com base nas evidências existentes em relação a objetivos de pesquisa específicos.
Co-cientistas de IA: capacitando a pesquisa, acelerando a descoberta
Os pesquisadores simplesmente definem os objetivos da pesquisa em linguagem natural, e os cocientistas de IA geram automaticamente novas hipóteses de pesquisa, visões gerais detalhadas da pesquisa e protocolos experimentais. Para isso, o sistema emprega uma série de agentes especializados, incluindo Generation, Reflection e AI.ReflexãoO design desses agentes, como "Ranking", "Evolution", "Proximity" e "Meta-review", é inspirado no próprio método de pesquisa científica. Esses agentes usam feedback automatizado para iterar, gerando, avaliando e otimizando hipóteses em um ciclo de autoaperfeiçoamento, produzindo resultados de pesquisa de qualidade e inovação cada vez maiores.
Visão geral do co-cientista de IA.
O AI Co-Scientist foi desenvolvido para colaboração, permitindo que os pesquisadores interajam com o sistema de várias maneiras, inclusive fornecendo suas ideias iniciais diretamente para o sistema explorar em profundidade ou fornecendo feedback em linguagem natural sobre os resultados gerados pelo sistema. Além disso, o AI Co-Scientist integra ferramentas como pesquisa na Web e modelos especializados de IA para aumentar a confiabilidade e a qualidade das hipóteses.
Diagrama esquemático dos componentes do sistema multiagente para cocientistas de IA e os padrões de interação entre o sistema e os pesquisadores.
Os cocientistas de IA analisam as metas definidas pelos pesquisadores em um plano de pesquisa, que é gerenciado por um Agente "Supervisor", que atribui Agentes especializados a filas de trabalho e aloca recursos. O Agente Supervisor é responsável pela atribuição de Agentes especializados a filas de trabalho e pela alocação de recursos. Esse design permite que o sistema dimensione a capacidade computacional de forma flexível e otimize iterativamente seus recursos de raciocínio científico para objetivos de pesquisa específicos.
Visão geral do sistema de cocientista de IA. Agentes especializados (caixas vermelhas com funções e lógica exclusivas); entrada e feedback do cientista (caixas azuis); fluxo de informações do sistema (setas cinza-escuras); feedback entre agentes (setas vermelhas na seção Agente).
Escalonamento aritmético: impulsionando um raciocínio científico mais profundo
A IA colabora com os cientistas usando técnicas de escala aritmética para permitir o raciocínio iterativo, a evolução e a otimização dos resultados. As principais etapas de inferência incluem debates científicos baseados em "auto-jogo" para gerar novas hipóteses, concursos de classificação para comparação de hipóteses e processos de "evolução" para aprimoramento da qualidade. O recurso Agent do sistema facilita a autocrítica recursiva, incluindo o uso de ferramentas de feedback para aprimorar hipóteses e cenários.
O autoaperfeiçoamento do sistema se baseia nas métricas de avaliação automatizada "Elo" obtidas na competição. Devido à função central das métricas do Elo, a equipe de pesquisa avaliou se as pontuações mais altas do Elo estavam associadas a uma qualidade de saída mais alta. Ao analisar a consistência entre a pontuação automática Elo e a precisão do teste de referência GPQA (para quebra-cabeças de nível diamante), a equipe descobriu que pontuações Elo mais altas estavam positivamente correlacionadas com maior probabilidade de respostas corretas.
Precisão média dos cocientistas de IA (linha azul) e dos modelos de referência Gemini 2.0 (linha vermelha) nos quebra-cabeças de nível diamante do GPQA, agrupados pela pontuação Elo, que é uma métrica de avaliação automatizada não baseada em respostas padrão independentes.
Sete especialistas no domínio escolheram a dedo 15 objetivos de pesquisa aberta e as melhores soluções em suas áreas de especialização. Usando métricas Elo automatizadas, a equipe de pesquisa observou que os cocientistas de IA superaram outros modelos avançados de agentes e modelos de inferência nesses problemas complexos. As análises reproduziram as vantagens do uso da tendência indutiva derivada de métodos de pesquisa científica para dimensionar a computação no momento do teste. Os resultados experimentais mostram que a qualidade da autoavaliação melhora à medida que aumenta o tempo do sistema para raciocinar e melhorar, superando até mesmo outros modelos e especialistas humanos sem ajuda.
O desempenho dos cocientistas de IA melhora à medida que o tempo de computação do sistema aumenta. Isso pode ser visto nas métricas Elo automatizadas que superam gradualmente outros modelos de linha de base. Parte superior: progresso do Elo para a hipótese de melhor pontuação. Parte inferior: progresso médio do Elo para as 10 principais hipóteses.
Em um pequeno subconjunto de 11 objetivos de pesquisa, os especialistas avaliaram a novidade e o impacto potencial dos resultados gerados pelos cocientistas de IA e os compararam com outros modelos de linha de base; eles também forneceram preferências gerais. Apesar do pequeno tamanho da amostra, os especialistas ainda consideraram os cocientistas de IA como tendo maior novidade e impacto potencial, e preferiram seus resultados. Além disso, as preferências dos especialistas humanos pareciam corresponder às métricas de avaliação automatizada da Elo apresentadas anteriormente.
Os especialistas humanos avaliaram os resultados da pesquisa dos cocientistas de IA como tendo um grau mais alto de novidade e impacto potencial (painel esquerdo) e foram favorecidos em relação a outros modelos (painel direito).
Validação experimental: aplicação no mundo real das hipóteses dos cocientistas de IA
Para avaliar o valor da aplicação prática das novas previsões do sistema, a equipe realizou experimentos laboratoriais de ponta a ponta em três domínios biomédicos importantes para validar as hipóteses e os protocolos de pesquisa gerados pelos cocientistas de IA. As três áreas foram: reaproveitamento de medicamentos, descoberta de novos alvos terapêuticos e resolução de mecanismos de resistência antimicrobiana. Esses experimentos foram conduzidos sob a orientação de especialistas e abrangeram cenários de aplicação de vários níveis de complexidade:
Leucemia: um novo avanço no reaproveitamento de medicamentos
A descoberta de medicamentos é um processo cada vez mais demorado e caro. Para cada nova indicação ou doença, o desenvolvimento de novas terapias exige o reinício de muitas partes do processo de descoberta e desenvolvimento." O "Drug Repurposing" foi criado para enfrentar esse desafio, identificando novas aplicações terapêuticas para medicamentos existentes além do uso pretendido. Entretanto, devido à complexidade da tarefa, o reaproveitamento de medicamentos requer uma ampla gama de conhecimentos interdisciplinares.
A equipe de pesquisa aplicou a IA para colaborar com os cientistas na previsão de oportunidades de reaproveitamento de medicamentos e, com parceiros, validou essas previsões por meio de biologia computacional, feedback de especialistas clínicos e experimentos in vitro.
Em especial, os co-cientistas da IA propuseram novos candidatos a reposicionamento de medicamentos para a leucemia mieloide aguda (LMA). A validação experimental subsequente desses protocolos confirmou que os medicamentos recomendados inibem a viabilidade das células tumorais em concentrações clinicamente relevantes em uma ampla gama de linhas celulares de LMA.
Curvas de dose-resposta previstas pelos cocientistas da AI para um dos três novos regimes de reaproveitamento de medicamentos para LMA. O KIRA6 inibe a viabilidade da KG-1 (linha celular de LMA) em concentrações clinicamente relevantes. A capacidade de reduzir a viabilidade das células cancerígenas em concentrações mais baixas de medicamentos tem várias vantagens, como a redução do risco de efeitos colaterais fora do alvo.
Fibrose hepática: acelerando a descoberta de alvos
A identificação de novos alvos terapêuticos é mais complexa do que o reposicionamento de medicamentos e, muitas vezes, leva a uma seleção ineficiente de hipóteses e a uma priorização deficiente de experimentos in vitro e in vivo. A descoberta de alvos assistida por IA pode ajudar a simplificar o processo de validação experimental e, possivelmente, reduzir o tempo e os custos de desenvolvimento.
A equipe explorou em profundidade os recursos do sistema de cocientista de IA para hipóteses de descoberta de alvos, incluindo a proposição, o sequenciamento e a geração de hipóteses e protocolos experimentais, com foco na fibrose hepática.O cocientista de IA demonstrou seu potencial identificando alvos epigenéticos com base em evidências pré-clínicas que mostraram atividade antifibrótica significativa em um organoide semelhante ao fígado humano (um modelo de cultura de células 3D projetado para imitar a estrutura e a função do fígado humano). O cocientista da IA também demonstrou seu potencial para a identificação de alvos epigenéticos com base em evidências pré-clínicas. Essas descobertas serão detalhadas em um relatório futuro de nossos colaboradores da Universidade de Stanford.
Comparação dos regimes terapêuticos direcionados à fibrose hepática propostos pelos cocientistas da IA com indutores de fibrose (controle negativo) e inibidores (controle positivo) Todos os regimes terapêuticos propostos pelos cocientistas da IA mostraram atividade promissora (valor de p < 0,01 para todos os medicamentos propostos), incluindo candidatos que podem ser capazes de reverter o fenótipo da doença. Os resultados detalhados serão apresentados em um relatório futuro dos colaboradores de Stanford.
Resistência antimicrobiana: uma abordagem mecanicista
Como terceiro caso de validação, a equipe de pesquisa concentrou-se na geração de hipóteses para explicar os mecanismos evolutivos da transferência de genes bacterianos associados à resistência antimicrobiana (AMR). A resistência antimicrobiana é o mecanismo pelo qual os micróbios evoluíram para resistir aos medicamentos anti-infecciosos. Esse é outro desafio complexo que exige a compreensão dos mecanismos moleculares de transferência de genes (incluindo conjugação, transdução e transformação), bem como as pressões ecológicas e evolutivas que impulsionam a disseminação dos genes da AMR.
- Combinação (conjugação). O processo de transferência de material genético entre bactérias por meio de contato direto ou pontes intercelulares.
- (transdução). O processo de transferência de DNA de uma célula bacteriana para outra por meio de um vírus (fago).
- transformação. O processo pelo qual uma bactéria pega o DNA livre diretamente de seu ambiente e o integra em seu próprio genoma.
Para realizar esse teste, os pesquisadores especialistas instruíram os cocientistas de IA a explorar um tópico sobre o qual sua equipe havia feito novas descobertas, mas que ainda não havia sido divulgado, ou seja, explicar como as "ilhas cromossômicas induzidas por fagos formadores de camadas (cf-PICIs)" estão presentes em uma ampla variedade de espécies bacterianas. cf-PICIs são uma classe especial de elementos genéticos capazes de se transferir entre bactérias e interagir de forma complexa com fagos, um tipo de vírus que infecta bactérias. (um vírus que infecta bactérias). Surpreendentemente, os cocientistas da IA propuseram, de forma sistemática e independente, a hipótese de que os cf-PICIs interagem com as caudas de vários fagos para ampliar sua gama de hospedeiros. Essa descoberta "in silico" foi validada em novos experimentos laboratoriais originais antes da aplicação do sistema de cocientistas de IA e é descrita em um artigo publicado simultaneamente com colaboradores da Fleming Initiative e do Imperial College London (1, 2) é descrito em. Isso exemplifica o valor do sistema de cocientista de IA como uma tecnologia de assistência, pois ele é capaz de utilizar com eficiência todas as descobertas de décadas de literatura de acesso aberto sobre o assunto.
Linha do tempo da colaboração da IA com cientistas para redescobrir novos mecanismos de transferência de genes. Azul: linha do tempo do processo de pesquisa experimental para as descobertas de mobilidade do cf-PICI. Vermelho: os cocientistas de IA desenvolvem e generalizam essas descobertas importantes (na ausência de conhecimento a priori).
Limitações e perspectivas: uma escada de progresso contínuo
No relatório, a equipe detalha várias limitações do sistema e direções para aprimoramento, incluindo: revisão aprimorada da literatura, verificação de fatos, validação cruzada com ferramentas externas, técnicas de avaliação automatizadas e avaliações em maior escala, como convidar mais especialistas de domínio com diferentes temas de pesquisa para participar. A introdução dos cocientistas de IA representa um avanço significativo na tecnologia de pesquisa assistida por IA, que deverá acelerar significativamente o processo de descoberta científica. O sistema é capaz de gerar hipóteses novas e testáveis em vários domínios científicos e biomédicos, algumas das quais já foram validadas em experimentos, e é capaz de se autoaperfeiçoar recursivamente por meio de um poder aritmético aprimorado. Juntos, esses atributos demonstram seu grande potencial para acelerar a resposta dos pesquisadores aos principais desafios da ciência e da medicina. Espera-se explorar ainda mais o potencial dos cientistas colaborativos de IA como auxiliares de pesquisa de maneira responsável. Esse projeto demonstra claramente como os sistemas de IA colaborativos e centrados no ser humano podem aprimorar a criatividade humana e acelerar a descoberta científica.
Lançamento do "Programa de Testes Confiáveis" para Co-cientistas de IA, que o convida a explorar juntos um novo paradigma de pesquisa
A equipe de pesquisa está animada com os resultados iniciais demonstrados pelo AI Co-Scientist System e vê a necessidade de avaliar seus pontos fortes e limitações nos domínios científicos e biomédicos mais amplos. Para levar esse trabalho adiante de forma responsável, a equipe abrirá o acesso ao sistema para instituições de pesquisa por meio do Trusted Tester Program. Organizações de pesquisa interessadas em todo o mundo podem considerar a possibilidade de participar do programa, cujos detalhes podem ser encontrados em link (em um site).
Português do Brasil 
简体中文 
English 
日本語 
Deutsch