Mit Tausenden KI-Agenten neue Ansatzpunkte in biologischen Daten entdecken
Wie OpenAI, PerturbAI und Scripps Research mit verteilten KI-Agenten Forschenden halfen, vielversprechende Forschungsansätze in Daten von Millionen Gehirnzellen zu finden
Erfahre, wie OpenAI, PerturbAI und Scripps Research Tausende KI-Agenten parallel einsetzten, um vielversprechende biologische Zusammenhänge in komplexen Daten von Millionen Gehirnzellen zu finden.
Video: PerturbAI.
Was wäre, wenn Forschende neue Hinweise zu Alzheimer und Parkinson in Minuten statt in Monaten entdecken könnten? OpenAI, PerturbAI(wird in einem neuen Fenster geöffnet) und Scripps Research(wird in einem neuen Fenster geöffnet) haben gemeinsam Tausende KI-Agenten auf Basis von GPT‑Rosalind(wird in einem neuen Fenster geöffnet) eingesetzt, um vorhandene experimentelle Daten von Millionen Gehirnzellen von Mäusen(wird in einem neuen Fenster geöffnet) in nur 32 Minuten zu analysieren und zu interpretieren. Die Agenten verknüpften die Auswirkungen von Genstörungen mit Erkenntnissen aus der wissenschaftlichen Literatur. Dabei entdeckten sie unerwartete biologische Zusammenhänge, die Forschenden helfen können, Krankheiten zu verstehen und Forschungsansätze für neue Behandlungen zu finden. Die Arbeit zeigt, wie KI Forschenden helfen kann, mehr Erkenntnisse aus großen biologischen Experimenten zu gewinnen.
Moderne Experimente erzeugen weit mehr Daten, als Forschende gründlich untersuchen können. Forschende können heute Tausende Gene verändern und deren Auswirkungen in Millionen von Zellen messen. Um jedoch zu verstehen, was diese Ergebnisse für Krankheiten beim Menschen bedeuten, müssen komplexe experimentelle Befunde mit wissenschaftlichem Wissen verknüpft werden, das über Jahrzehnte an vielen verschiedenen Stellen zusammengetragen wurde. Hier kann KI Forschenden helfen, vielversprechende Hinweise aufzudecken, die sonst möglicherweise übersehen würden.
„Wir erstellen Zellatlanten, damit andere Forschende Entdeckungen machen können, die wir uns noch gar nicht vorstellen können. KI könnte mehr Forschenden helfen, diese Ressourcen zu erkunden und aus unerwarteten Beobachtungen neue, überprüfbare Fragen zu entwickeln.“
Das Team verteilte die Analyse auf Tausende KI-Agenten auf Basis von GPT‑Rosalind. Diesen Ansatz nennen wir verteiltes biologisches Reasoning. Die Agenten untersuchten einen CRISPR-Atlas des gesamten Gehirns(wird in einem neuen Fenster geöffnet). Dieser Datensatz zeigt, wie sich Genstörungen auf verschiedene Zelltypen im gesamten Gehirn der Maus auswirken. Jeder Agent untersuchte eine Genstörung, analysierte zelluläre Reaktionen, durchsuchte wissenschaftliche Literatur und schlug Erklärungen für die Ergebnisse vor. Ihre Berichte wurden zu einem Reasoning-Atlas zusammengeführt, der Gene, zelluläre Auswirkungen, relevante Publikationen und mögliche biologische Mechanismen miteinander verknüpft.
Das Forschungsteam schätzte, dass eine vergleichbare Analyse und Literaturrecherche durch Menschen mehrere Monate bis zu einem Jahr dauern würde, wenn jeweils eine Störung nach der anderen untersucht wird. Die Agenten reproduzierten Erkenntnisse aus menschlichen Analysen und entdeckten zugleich zusätzliche Ansatzpunkte. Ihre Einschätzungen zur Neuartigkeit und zum wissenschaftlichen Wert stimmten zudem mit den Urteilen menschlicher Fachleute in verblindeten Begutachtungen überein. Diese Erkenntnisse helfen dabei, weitere Experimente zu priorisieren, die zur Überprüfung der vorgeschlagenen biologischen Mechanismen nötig sind.
Einige dieser Erkenntnisse liefern neue Ansatzpunkte, um Gehirnerkrankungen besser zu verstehen. Die Agenten fanden unerwartete Unterschiede darin, wie zwei krankheitsassoziierte Gene auf Gehirnzellen wirken, sowie einen möglichen Zusammenhang zwischen Cholesterinregulation und Neurodegeneration. Diese Erkenntnisse könnten Forschenden helfen zu untersuchen, wie Krankheiten entstehen und wo künftige Behandlungen ansetzen könnten.
„Manchmal sind die Hinweise schon da, verstreut über verschiedene Fachgebiete. Wir haben sie nur noch nicht miteinander verknüpft. Der mögliche Zusammenhang zwischen neuronaler Funktion und Cholesterinstoffwechsel zeigt, wie diese Teile zusammen eine neue Sicht auf die Biologie von Krankheiten eröffnen können.“
Forschende können diese Erkenntnisse bereits heute näher untersuchen. Der Reasoning-Atlas ist verfügbar(wird in einem neuen Fenster geöffnet). Damit können Forschende verwandte Gene vergleichen, unerwartete Reaktionen untersuchen und vielversprechende Ansatzpunkte für weitere Arbeiten finden. Neue Entdeckungen entstehen oft, wenn Forschende verschiedener Fachgebiete ihr Wissen zusammenbringen und vertraute Ideen auf unerwartete Weise miteinander verknüpfen. KI kann solche Verknüpfungen in deutlich größerem Umfang ermöglichen, indem sie neue Daten mit Wissen aus verschiedenen Disziplinen verbindet. Das Potenzial geht über eine schnellere Datenanalyse hinaus. Indem wir KI mit experimenteller Biologie, menschlichem Fachwissen und wissenschaftlicher Literatur verbinden, können wir Forschenden helfen, aus mehr Daten überprüfbare Ideen zu entwickeln.
Einige der interessantesten Hinweise eines Experiments liegen außerhalb der ursprünglichen Fragestellung. In einem Datensatz mit Tausenden Störungen können solche Hinweise leicht übersehen werden.
Die Agenten entdeckten einen unerwarteten Unterschied zwischen Tsc1 und Tsc2. Diese beiden Gene steuern gemeinsam mTOR, einen wichtigen Regulator von Zellwachstum, Stoffwechsel und Alterung. Die Störung eines der beiden Gene hatte in mehreren Neuronengruppen ähnliche Auswirkungen. Im Kleinhirn, das an der Bewegungskoordination beteiligt ist, veränderte die Störung von Tsc2 jedoch die Aktivität Dutzender Gene, die an der Kommunikation zwischen Neuronen beteiligt sind. Die Störung von Tsc1 bewirkte dagegen kaum Veränderungen.
Dieser Unterschied könnte für Krankheiten beim Menschen relevant sein. Bei Menschen mit tuberöser Sklerose stehen Anomalien im Kleinhirn in engem Zusammenhang mit TSC2-Mutationen. Medikamente, die die mTOR-Aktivität verringern, können zwar bestimmte Hirntumoren und Krampfanfälle behandeln. Die mit der Erkrankung verbundenen Lern- und Verhaltensprobleme lassen sich jedoch weiterhin nur schwer behandeln. Die Agenten identifizierten eine bestimmte Neuronengruppe und zelluläre Veränderungen, die es wert sind, weiter untersucht zu werden: Welche Veränderungen könnten bestehende Medikamente korrigieren, und welche könnten auf neue Behandlungsansätze hinweisen? Damit erhalten Forschende konkretere Fragestellungen, die sie im Labor überprüfen können.
Könnte ein einzelner Agent mit dem gesamten Datensatz genauso gute Ergebnisse erzielen wie Tausende parallel arbeitende Agenten? Wir haben das getestet und dabei das Modell und die Ressourcen konstant gehalten. Mit zunehmendem Arbeitsumfang durchsuchte der einzelne Agent weniger Literatur. Beim größten Arbeitsumfang zitierte er nur 11 Quellen, während die verteilten Agenten mehr als 700 Quellen zitierten. Auch menschliche Fachleute bevorzugten die Interpretationen der verteilten Agenten.
Forschende haben nur begrenzt Zeit und konzentrieren sich oft auf die stärksten Signale in ihren Daten. Verteilte Agenten können helfen, ein breiteres Spektrum an Reaktionen zu untersuchen, darunter auch subtile oder unerwartete, und diese mit relevanter wissenschaftlicher Literatur zu verknüpfen. Durch den parallelen Einsatz der Agenten lassen sich viele Störungen gleichzeitig untersuchen. So können Forschende mehr aus einem Experiment herausholen und vielversprechende Hinweise finden, die sonst möglicherweise übersehen würden.
Beim größten Arbeitsumfang zitierten die verteilten Agenten mehr als 700 Quellen, ein einzelner Agent dagegen nur 11.
Eine Erkenntnis gewinnt an Wert, wenn sie auf ein lohnendes Experiment hinweist. Einen solchen Ansatzpunkt fanden die Agenten in DCTN1, einem Gen, dessen Mutationen das Perry-Syndrom verursachen, eine neurodegenerative Erkrankung mit Parkinson-ähnlichen Symptomen.
DCTN1 ist am Transport von Zellbestandteilen innerhalb von Neuronen beteiligt. Im CRISPR-Atlas des gesamten Gehirns erhöhte die Störung von Dctn1 die Expression von Genen, die an der Cholesterinproduktion beteiligt sind. Die Agenten verknüpften diese Beobachtung mit Forschungsergebnissen, die darauf hindeuten, dass Probleme beim Cholesterintransport Zellen dazu bringen können, mehr Cholesterin zu produzieren. Daraus ergab sich eine Frage für Folgeexperimente: Könnte eine Störung von DCTN1 die Verteilung von Cholesterin innerhalb der Neuronen verändern, und könnten diese Veränderungen zur Neurodegeneration beitragen? Falls ja, könnte die Wiederherstellung einer normalen Cholesterinverteilung helfen, Neuronen zu schützen?
Auch menschliche Fachleute hielten diese Hypothese für neuartig, bedeutsam und lohnenswert für weitere Untersuchungen. Dieses Beispiel zeigt, wie die Verknüpfung eines unerwarteten Ergebnisses mit bestehendem Wissen aus einem Hinweis eine überprüfbare Idee machen kann und möglicherweise einen neuen Ansatz zur Behandlung von Krankheiten eröffnet.
In verblindeten Vergleichen bevorzugten menschliche Fachleute in 75 % der Fälle Berichte verteilter Agenten gegenüber Berichten eines einzelnen Agenten.
Forschende bleiben im Mittelpunkt wissenschaftlicher Entdeckungen. Indem KI mehr vielversprechende Hinweise aufdeckt, kann sie Forschenden helfen, Ideen zur Weiterverfolgung auszuwählen, Experimente zu planen und Ergebnisse zu interpretieren. Ziel ist es, mehr Informationen aus biologischen Experimenten in Wissen zu überführen, das langfristig zur Entwicklung besserer Medikamente beitragen kann.
