Milers d'agents d'IA per descobrir noves pistes en dades biològiques

I si els científics poguessin descobrir noves pistes sobre l'Alzheimer i el Parkinson en qüestió de minuts en lloc de mesos? En un treball conjunt, OpenAI, PerturbAI⁠(s'obre en una finestra nova) i Scripps Research⁠(s'obre en una finestra nova) van utilitzar milers d'agents d'IA basats en GPT‑Rosalind⁠(s'obre en una finestra nova) per analitzar i interpretar dades experimentals existents de milions de cèl·lules cerebrals de ratolí⁠(s'obre en una finestra nova) en només 32 minuts. Els agents van relacionar els efectes de les inactivacions gèniques amb troballes de la bibliografia científica i van revelar connexions biològiques inesperades que poden ajudar els científics a entendre les malalties i a identificar línies de recerca per a nous tractaments. Aquest treball mostra com la IA pot ajudar els investigadors a explorar més a fons allò que revelen els grans experiments biològics.

Els experiments actuals generen moltes més dades de les que els científics poden investigar a fons. Ara els investigadors poden alterar milers de gens i mesurar-ne els efectes en milions de cèl·lules. Però entendre què impliquen aquests resultats per a les malalties humanes requereix relacionar troballes experimentals complexes amb dècades de coneixement científic dispers. És aquí on la IA pot ajudar els científics a descobrir pistes prometedores que, altrament, podrien passar desapercebudes.

L'equip va repartir l'anàlisi entre milers d'agents d'IA basats en GPT‑Rosalind, un enfocament que anomenem raonament biològic distribuït. Els agents van examinar un atles CRISPR de tot el cervell⁠(s'obre en una finestra nova), un conjunt de dades que mostra com les inactivacions gèniques afecten diferents tipus de cèl·lules arreu del cervell del ratolí. Cada agent va investigar la inactivació d'un gen, va analitzar les respostes cel·lulars, va consultar la bibliografia científica i va proposar explicacions per als resultats. Els seus informes es van combinar en un atles de raonament que relaciona gens, efectes cel·lulars, publicacions pertinents i possibles mecanismes biològics.

L'equip de recerca va estimar que una anàlisi i una revisió bibliogràfica comparables fetes per persones, estudiant una pertorbació cada vegada, trigarien entre uns quants mesos i un any. Els agents van reproduir les troballes de les anàlisis humanes i, alhora, van descobrir pistes addicionals. Les seves valoracions de la novetat i el valor científic també van coincidir amb les d'experts humans que van fer l'avaluació a cegues. Aquestes troballes ajuden a prioritzar els experiments addicionals necessaris per posar a prova els mecanismes biològics proposats.

Algunes d'aquestes conclusions apunten a noves pistes per entendre les malalties cerebrals. Els agents van identificar diferències inesperades en la manera com dos gens associats a malalties afecten les cèl·lules cerebrals, així com una possible connexió entre la regulació del colesterol i la neurodegeneració. Aquestes troballes podrien ajudar els científics a investigar com es desenvolupen les malalties i en quins punts podrien actuar els tractaments futurs.

Els investigadors ja poden començar a explorar aquestes troballes. L'atles de raonament està disponible⁠(s'obre en una finestra nova) i permet als científics comparar gens relacionats, investigar respostes inesperades i identificar pistes prometedores per continuar investigant. Sovint sorgeixen nous descobriments quan investigadors de diferents camps posen en comú els seus coneixements i relacionen idees conegudes de maneres inesperades. La IA pot ampliar significativament aquestes connexions relacionant dades noves amb coneixement dispers entre disciplines. Les possibilitats van més enllà d'analitzar les dades més de pressa. Combinant la IA amb la biologia experimental, els coneixements dels experts i la bibliografia científica, podem ajudar els científics a convertir més dades en idees que es puguin posar a prova.

Algunes de les pistes més interessants d'un experiment queden fora de la qüestió que els científics es proposaven investigar. En un conjunt de dades que abasta milers de pertorbacions, aquestes pistes poden passar fàcilment desapercebudes.

Els agents van identificar una diferència inesperada entre Tsc1 i Tsc2, dos gens que treballen conjuntament per controlar mTOR, un regulador clau del creixement cel·lular, el metabolisme i l'envelliment. La inactivació de qualsevol dels dos gens tenia efectes semblants en diversos grups de neurones. Però al cerebel, que ajuda a coordinar el moviment, la inactivació de Tsc2 alterava l'activitat de desenes de gens implicats en la comunicació neuronal, mentre que la inactivació de Tsc1 produïa pocs canvis.

Aquesta diferència pot ser rellevant per a les malalties humanes. En les persones amb esclerosi tuberosa, les anomalies del cerebel estan estretament relacionades amb les mutacions de TSC2. Tot i que els medicaments que redueixen l'activitat de mTOR poden tractar determinats tumors cerebrals i crisis convulsives, les dificultats d'aprenentatge i de conducta associades a la malaltia continuen sent difícils d'abordar. Els agents van identificar un grup concret de neurones i uns canvis cel·lulars que valia la pena investigar: quins canvis podrien corregir els medicaments existents i quins podrien apuntar a nous enfocaments terapèutics? Això ofereix als investigadors un conjunt de preguntes més concretes per estudiar al laboratori.

Podria un sol agent amb accés a tot el conjunt de dades obtenir resultats tan bons com milers d'agents treballant en paral·lel? Ho vam posar a prova mantenint fixos el model i els recursos. A mesura que augmentava la càrrega de treball, l'agent únic consultava menys bibliografia: amb la càrrega màxima, només citava 11 referències, mentre que els agents distribuïts en citaven més de 700. Els experts humans també van preferir les interpretacions dels agents distribuïts.

Els científics disposen de poc temps i sovint se centren en els senyals més clars de les dades. Els agents distribuïts poden ajudar a examinar un ventall més ampli de respostes, incloses les subtils o inesperades, i relacionar-les amb la bibliografia científica pertinent. Executar els agents en paral·lel permet investigar moltes pertorbacions alhora. Això ajuda els científics a explorar més a fons la informació d'un experiment i a identificar pistes prometedores que, altrament, podrien passar desapercebudes.

Una troballa adquireix més valor quan apunta a un experiment que val la pena fer. Els agents van trobar una d'aquestes pistes en DCTN1, un gen les mutacions del qual causen la síndrome de Perry, una malaltia neurodegenerativa amb símptomes semblants als del Parkinson.

DCTN1 intervé en el transport de materials dins de les neurones. En l'atles CRISPR de tot el cervell, la inactivació de Dctn1 va augmentar l'expressió dels gens implicats en la síntesi de colesterol. Els agents van relacionar aquesta observació amb estudis que suggereixen que els problemes en el transport del colesterol poden fer que les cèl·lules en produeixin més. Això va plantejar una pregunta per a experiments posteriors: podria la inactivació de DCTN1 canviar la distribució del colesterol dins de les neurones, i podrien aquests canvis contribuir a la neurodegeneració? Si fos així, restablir la distribució normal del colesterol podria ajudar a protegir les neurones?

Els experts humans també van considerar que aquesta hipòtesi era nova, rellevant i mereixedora de més recerca. Aquest exemple mostra com relacionar un resultat inesperat amb el coneixement existent pot convertir una pista en una idea que es pot posar a prova i, potencialment, en una nova via per tractar malalties.

Els científics continuen sent al centre del procés de descoberta. En revelar més pistes prometedores, la IA pot ajudar els investigadors a decidir quines idees explorar, dissenyar experiments i interpretar els resultats. L'objectiu és convertir més informació dels experiments biològics en coneixement que, amb el temps, pugui ajudar a orientar el desenvolupament de medicaments millors.