Google выпускает AI Co-scientist, интеллектуального помощника для исследований на базе Gemini

В обширном поле научных исследований ученые подобны исследователям, которые благодаря своему необычайному таланту и творческому подходу в сочетании с глубокими знаниями и опытом, почерпнутыми из огромного количества литературы, продолжают открывать новые и жизнеспособные направления исследований и прокладывать путь для последующих изысканий. Однако во многих дисциплинах исследователи часто сталкиваются с проблемой как "широты", так и "глубины". Резкий рост числа научных публикаций и необходимость интегрировать знания из незнакомых областей делают исследования все более сложными. Междисциплинарные исследования часто приводят к революционным открытиям, таким как технология CRISPR, которая родилась в результате слияния знаний из микробиологии, генетики и молекулярной биологии, и Нобелевская премия по химии 2020 года, присужденная Эммануэлю Шарпантье и Дженнифер Дудна за их новаторскую работу в области CRISPR.

В связи с многочисленными неудовлетворенными потребностями современных научных открытий и благодаря стремительному развитию искусственного интеллекта, в частности его способности интегрировать знания из сложных дисциплин и осуществлять долгосрочное планирование и рассуждения, была разработана система под названием AI Co-Scientist - многоагентная система искусственного интеллекта, которая призвана AI Co-Scientist - это многоагентная система искусственного интеллекта, призванная стать виртуальным помощником исследователей в совместной работе. Она построена на Близнецы 2.0, его философия проектирования в значительной степени соответствует процессу рассуждений в рамках метода научного исследования. В отличие от традиционных инструментов обзора литературы, реферирования и углубленного исследования, со-ученые ИИ стремятся к открытию новых оригинальных знаний и разработке инновационных исследовательских гипотез и сценариев на основе имеющихся данных в сочетании с конкретными исследовательскими задачами.

Соученые ИИ: расширение возможностей исследований, ускорение открытий

Исследователи просто задают цели исследования на естественном языке, а ИИ-соученый автоматически генерирует новые исследовательские гипотезы, подробные обзоры исследований и протоколы экспериментов. Для достижения этой цели в системе используется ряд специализированных агентов, включая Generation, Reflection и AI Co-Scientist.ОтражениеДизайн этих агентов, таких как "Ранжирование", "Эволюция", "Близость" и "Мета-обзор", вдохновлен самим методом научного исследования. Эти агенты используют автоматическую обратную связь для итераций, генерируя, оценивая и оптимизируя гипотезы в цикле самосовершенствования, создавая результаты исследований с постоянно растущим качеством и инновациями.

Обзор со-ученого по искусственному интеллекту.

AI Co-Scientist создан для совместной работы, позволяя исследователям взаимодействовать с системой различными способами, в том числе предоставлять свои первоначальные мысли непосредственно системе для углубленного изучения или предоставлять обратную связь на естественном языке по результатам, генерируемым системой. Кроме того, в AI Co-Scientist интегрированы такие инструменты, как веб-поиск и специализированные модели искусственного интеллекта для повышения надежности и качества гипотез.

Схематическое изображение компонентов мультиагентной системы для ИИ со-ученых и схемы взаимодействия между системой и исследователями.

ИИ-сотрудники анализируют цели, поставленные исследователями, и составляют план исследований, которым управляет агент "Супервайзер", распределяющий специализированных агентов по рабочим очередям и выделяющий ресурсы. Агент-руководитель отвечает за распределение специализированных агентов по рабочим очередям и распределение ресурсов. Такой дизайн позволяет системе гибко масштабировать вычислительную мощность и итеративно оптимизировать возможности научного обоснования для конкретных целей исследования.

Обзор системы "ИИ - соученый". Специализированные агенты (красные ячейки с уникальными ролями и логикой); ввод и обратная связь с ученым (синие ячейки); поток информации в системе (темно-серые стрелки); межагентная обратная связь (красные стрелки в секции агента).

Арифметическое масштабирование: стимулирование более глубоких научных рассуждений

ИИ сотрудничает с учеными, используя методы арифметического масштабирования, чтобы обеспечить итеративное рассуждение, эволюцию и оптимизацию результатов. Ключевые этапы умозаключений включают научные дебаты, основанные на "самоигре", для генерации новых гипотез, конкурсы ранжирования для сравнения гипотез и процессы "эволюции" для улучшения качества. Агентская функция системы облегчает рекурсивную самокритику, включая использование инструментов обратной связи для улучшения гипотез и сценариев.

Самосовершенствование системы опирается на метрики автоматической оценки "Эло", полученные в ходе соревнований. Учитывая центральную роль метрики Elo, исследовательская группа проанализировала, связаны ли более высокие баллы Elo с более высоким качеством продукции. Проанализировав соответствие между автоскорингом Elo и точностью эталонного теста GPQA (для головоломок алмазного уровня), команда обнаружила, что более высокие баллы Elo положительно коррелируют с более высокой вероятностью правильных ответов.

Средняя точность ИИ-сотрудников (синяя линия) и эталонных моделей Gemini 2.0 (красная линия) в головоломках алмазного уровня GPQA, сгруппированных по баллам Эло, которые являются метрикой автоматизированной оценки, не основанной на независимых стандартных ответах.

Семь экспертов в данной области отобрали 15 открытых исследовательских задач и наилучших решений в своих областях знаний. Используя автоматизированные метрики Elo, команда исследователей заметила, что совместные ученые ИИ превзошли другие продвинутые агентские модели и модели умозаключений в решении этих сложных задач. Анализ воспроизводит преимущества использования индуктивной предвзятости, полученной из методов научных исследований, для масштабирования вычислений во время тестирования. Результаты экспериментов показывают, что качество самооценки улучшается по мере увеличения времени, затрачиваемого системой на рассуждения и совершенствование, и даже превосходит другие модели и экспертов-людей.

Производительность ИИ-соучеников улучшается по мере увеличения времени вычислений системы. Это видно по тому, как автоматизированные метрики Elo постепенно превосходят другие базовые модели. Вверху: прогресс Elo для гипотезы, набравшей наибольшее количество баллов. Внизу: средний прогресс Elo для 10 лучших гипотез.

По небольшому подмножеству из 11 исследовательских задач эксперты оценили новизну и потенциальное воздействие результатов, полученных с помощью ИИ-соученых, и сравнили их с другими базовыми моделями; они также высказали общие предпочтения. Несмотря на небольшой размер выборки, эксперты все равно воспринимали ИИ-соученых как обладающих большей новизной и потенциальным воздействием и отдавали предпочтение их результатам. Кроме того, предпочтения экспертов-людей совпали с метриками автоматизированной оценки Elo, представленными ранее.

Эксперты-люди оценили результаты исследований, проведенных ИИ-соучеными, как обладающие более высокой степенью новизны и потенциального воздействия (левая панель) и отдали предпочтение другим моделям (правая панель).

Экспериментальная проверка: применение в реальном мире гипотез, выдвинутых ИИ-соучеными

Чтобы оценить практическую ценность новых предсказаний системы, команда провела комплексные лабораторные эксперименты в трех ключевых биомедицинских областях, чтобы подтвердить гипотезы и протоколы исследований, разработанные соавторами ИИ. Речь идет о следующих трех областях: повторное использование лекарств, открытие новых терапевтических мишеней и разрешение механизма устойчивости к противомикробным препаратам. Эти эксперименты проводились под руководством экспертов и охватывали сценарии применения различных уровней сложности:

Лейкемия: новый прорыв в разработке новых лекарств

Поиск лекарств становится все более трудоемким и дорогостоящим процессом. Для каждого нового показания или заболевания разработка новых терапевтических средств требует повторного запуска многих этапов процесса открытия и разработки". Для решения этой проблемы было создано направление "Drug Repurposing", позволяющее найти новые терапевтические применения существующих лекарств, выходящие за рамки их целевого назначения. Однако в силу сложности этой задачи перепрофилирование лекарств требует привлечения широкого круга междисциплинарных специалистов.

Исследовательская группа совместно с учеными применила искусственный интеллект для прогнозирования возможностей повторного применения лекарств и вместе с партнерами подтвердила эти прогнозы с помощью вычислительной биологии, отзывов клинических экспертов и экспериментов in vitro.

В частности, соавторы ИИ предложили новые кандидаты на перепрофилирование лекарств для лечения острого миелоидного лейкоза (ОМЛ). Последующая экспериментальная проверка этих протоколов подтвердила, что рекомендованные препараты подавляют жизнеспособность опухолевых клеток в клинически значимых концентрациях в широком диапазоне клеточных линий AML.

Кривые "доза-ответ", предсказанные соавторами AI для одной из трех новых схем репурпосинга лекарств против АМЛ. KIRA6 подавляет жизнеспособность KG-1 (клеточная линия АМЛ) в клинически значимых концентрациях. Способность снижать жизнеспособность раковых клеток при более низких концентрациях препарата имеет множество преимуществ, например, снижает риск побочных эффектов вне цели.

Фиброз печени: ускорение поиска мишеней

Выявление новых терапевтических мишеней - более сложная задача, чем повторное назначение лекарств, и часто приводит к неэффективному выбору гипотез и неправильной расстановке приоритетов в экспериментах in vitro и in vivo. Открытие мишеней с помощью ИИ может помочь упростить процесс экспериментальной проверки и потенциально сократить время и стоимость разработки.

Команда подробно изучила возможности системы AI co-scientist для поиска гипотез обнаружения мишеней, включая выдвижение, секвенирование и генерацию гипотез и экспериментальных протоколов, с акцентом на фиброз печени.AI co-scientist продемонстрировал свой потенциал, определив эпигенетические мишени на основе доклинических данных, которые показали значительную антифибротическую активность в органоиде печени человека (3D-модель клеточной культуры, разработанная для имитации структуры и функции печени человека). ), которые демонстрируют значительную антифибротическую активность в органоиде печени человека (трехмерная модель клеточной культуры, созданная для имитации структуры и функции печени человека). Эти результаты будут подробно описаны в предстоящем докладе наших коллабораторов из Стэнфордского университета.

Сравнение предложенных соавторами ИИ схем терапии фиброза печени с индукторами (отрицательный контроль) и ингибиторами (положительный контроль) фиброза Все схемы терапии, предложенные соавторами ИИ, показали многообещающую активность (p-value <0,01 для всех предложенных препаратов), включая кандидатов, способных обратить фенотип заболевания. Подробные результаты будут представлены в готовящемся к публикации докладе Стэнфордских коллаборационистов.

Устойчивость к противомикробным препаратам: объяснение механизмов

В качестве третьего проверочного примера исследовательская группа сосредоточилась на разработке гипотез, объясняющих эволюционные механизмы передачи бактериальных генов, связанные с устойчивостью к противомикробным препаратам (AMR). Устойчивость к противомикробным препаратам - это механизм, с помощью которого микробы эволюционировали, чтобы противостоять противоинфекционным препаратам. Это еще одна сложная задача, требующая понимания молекулярных механизмов переноса генов (включая конъюгацию, трансдукцию и трансформацию), а также экологического и эволюционного давления, способствующего распространению генов AMR.

• Сочетание (спряжение). Процесс передачи генетического материала между бактериями при прямом контакте или через межклеточные мостики.
• (трансдукция). Процесс переноса ДНК из одной бактериальной клетки в другую с помощью вируса (фага).
• трансформация. Процесс, в ходе которого бактерия берет свободную ДНК непосредственно из окружающей среды и встраивает ее в свой геном.

Чтобы провести этот тест, эксперты поручили соисследователям ИИ изучить тему, в которой их команда сделала новые открытия, но которая еще не была обнародована, а именно объяснить, как "формирующие оболочку фаговые индуцированные хромосомные острова (cf-PICIs)" присутствуют у широкого спектра видов бактерий. cf-PICIs - это особый класс генетических элементов, которые способны передаваться между бактериями и сложным образом взаимодействовать с фагами, типом вируса, который заражает бактерии. (Вирус, который заражает бактерии). Удивительно, но соавторы ИИ систематически и независимо друг от друга выдвинули гипотезу о том, что cf-PICI взаимодействуют с хвостами нескольких фагов для расширения ареала их обитания. Это открытие "in silico" было подтверждено в оригинальных новых лабораторных экспериментах, проведенных до применения системы AI Co-Scientist System, и описано в одновременно опубликованной работе с коллегами из Fleming Initiative и Imperial College London (1, 2) описана в. Это наглядно демонстрирует ценность системы AI co-scientist как вспомогательной технологии, поскольку она способна эффективно использовать все результаты, полученные за десятилетия существования литературы по данной теме, находящейся в открытом доступе.

Хронология сотрудничества ИИ с учеными для открытия новых механизмов переноса генов. Синий: хронология процесса экспериментального исследования открытий в области мобильности cf-PICI. Красный: ИИ совместно с учеными развивает и обобщает эти ключевые открытия (в отсутствие априорных знаний).

Ограничения и перспективы: лестница непрерывного прогресса

В отчете команда подробно описывает некоторые недостатки системы и направления ее совершенствования, включая: расширенный обзор литературы, проверку фактов, перекрестную валидацию с помощью внешних инструментов, автоматизированные методы оценки и более масштабные оценки, например, приглашение к участию большего числа экспертов в различных областях исследований.Внедрение ИИ-соученых представляет собой значительный шаг вперед для научных исследований с помощью ИИ. Внедрение ИИ-соученых представляет собой значительный шаг вперед в технологии исследований с помощью ИИ, которая, как ожидается, значительно ускорит процесс научных открытий. Система способна генерировать новые и проверяемые гипотезы во многих научных и биомедицинских областях, некоторые из которых уже подтверждены в экспериментах, и способна к рекурсивному самосовершенствованию благодаря расширенным арифметическим возможностям. В совокупности эти качества демонстрируют огромный потенциал, позволяющий ускорить решение исследователями серьезных проблем в науке и медицине. Мы с нетерпением ждем дальнейшего изучения потенциала ИИ-коллаборационистов в качестве помощников в исследованиях на ответственной основе. Этот проект наглядно демонстрирует, как совместные и ориентированные на человека системы ИИ могут повысить творческий потенциал человека и ускорить научные открытия.

Стартует программа "Доверенный испытатель" для со-ученых по искусственному интеллекту, которая приглашает вас вместе исследовать новую парадигму исследований

Исследовательская группа воодушевлена первыми результатами, продемонстрированными системой AI Co-Scientist, и считает необходимым оценить ее сильные стороны и ограничения в более широких научных и биомедицинских областях. Чтобы ответственно подойти к этой работе, команда откроет доступ к системе для исследовательских учреждений в рамках программы Trusted Tester Program. Заинтересованные исследовательские организации по всему миру могут присоединиться к программе, подробности которой можно найти на сайте ссылка (на веб-сайте).