Usar miles de agentes de IA para descubrir nuevas pistas en datos biológicos
Cómo OpenAI, PerturbAI y Scripps Research usaron agentes de IA distribuidos para ayudar a los científicos a identificar pistas de investigación prometedoras en datos de millones de células cerebrales
Descubre cómo OpenAI, PerturbAI y Scripps Research desplegaron miles de agentes de IA en paralelo para identificar conexiones biológicas prometedoras en datos complejos de millones de células cerebrales.
Crédito del video: PerturbAI.
¿Y si los científicos pudieran descubrir nuevas pistas sobre el Alzheimer y el Parkinson en minutos, en lugar de meses? En un trabajo conjunto, OpenAI, PerturbAI(se abre en una nueva ventana) y Scripps Research(se abre en una nueva ventana) utilizaron miles de agentes de IA impulsados por GPT‑Rosalind(se abre en una nueva ventana) para analizar e interpretar datos experimentales existentes de millones de células cerebrales de ratón(se abre en una nueva ventana) en solo 32 minutos. Los agentes relacionaron los efectos de las alteraciones genéticas con hallazgos de la bibliografía científica y descubrieron conexiones biológicas inesperadas que pueden ayudar a los científicos a comprender las enfermedades e identificar líneas de investigación para nuevos tratamientos. Este trabajo muestra cómo la IA puede ayudar a los investigadores a explorar más a fondo lo que revelan los experimentos biológicos a gran escala.
Los experimentos modernos generan muchos más datos de los que los científicos pueden investigar a fondo. Hoy, los investigadores pueden alterar miles de genes y medir sus efectos en millones de células. Pero comprender qué significan estos resultados para las enfermedades humanas exige relacionar hallazgos experimentales complejos con décadas de conocimiento científico disperso. Aquí es donde la IA puede ayudar a los científicos a descubrir pistas prometedoras que, de otro modo, podrían pasar inadvertidas.
“Creamos atlas celulares para que otros científicos puedan hacer descubrimientos que aún no hemos imaginado. La IA podría ayudar a más investigadores a explorar estos recursos y convertir observaciones inesperadas en nuevas preguntas que puedan investigar”.
El equipo repartió el análisis entre miles de agentes de IA impulsados por GPT‑Rosalind, un enfoque que llamamos razonamiento biológico distribuido. Los agentes examinaron un atlas CRISPR de todo el cerebro(se abre en una nueva ventana), un conjunto de datos que muestra cómo las alteraciones genéticas afectan a distintos tipos de células en todo el cerebro del ratón. Cada agente investigó una alteración genética, analizó las respuestas celulares, consultó bibliografía científica y propuso explicaciones para los resultados. Sus informes se integraron en un atlas de razonamiento que vincula genes, efectos celulares, publicaciones pertinentes y posibles mecanismos biológicos.
El equipo de investigación estimó que un análisis y una revisión bibliográfica comparables realizados por personas, una perturbación a la vez, tomarían entre varios meses y un año. Los agentes reprodujeron los hallazgos de los análisis humanos y, además, descubrieron nuevas pistas. Sus evaluaciones de la novedad y el valor científico también coincidieron con los juicios de expertos humanos que realizaron evaluaciones a ciegas. Estos hallazgos ayudan a priorizar los experimentos adicionales necesarios para poner a prueba los mecanismos biológicos propuestos.
Algunos de estos hallazgos apuntan a nuevas pistas para comprender las enfermedades cerebrales. Los agentes identificaron diferencias inesperadas en los efectos de dos genes vinculados a enfermedades sobre las células cerebrales, así como una posible conexión entre la regulación del colesterol y la neurodegeneración. Estos hallazgos podrían ayudar a los científicos a investigar cómo se desarrollan las enfermedades y en qué puntos podrían actuar futuros tratamientos.
“A veces, las pistas ya están ahí, dispersas en distintos campos; simplemente no las hemos conectado. El posible vínculo entre la función neuronal y el metabolismo del colesterol muestra cómo esas piezas, una vez reunidas, pueden ofrecernos una nueva forma de pensar en la biología de las enfermedades”.
Los investigadores pueden comenzar a explorar estos hallazgos hoy mismo. El atlas de razonamiento está disponible(se abre en una nueva ventana), lo que permite a los científicos comparar genes relacionados, investigar respuestas inesperadas e identificar pistas prometedoras para seguir investigando. Los nuevos descubrimientos suelen surgir cuando investigadores de distintos campos combinan sus conocimientos y relacionan ideas conocidas de formas inesperadas. La IA puede ampliar significativamente estas conexiones al vincular nuevos datos con conocimientos dispersos entre distintas disciplinas. La oportunidad va más allá de analizar los datos con mayor rapidez. Al combinar la IA con la biología experimental, la experiencia humana y la bibliografía científica, podemos ayudar a los científicos a convertir una mayor parte de sus datos en ideas comprobables.
Algunas de las pistas más interesantes de un experimento quedan fuera de lo que los científicos se propusieron investigar. En un conjunto de datos que abarca miles de perturbaciones, esas pistas pueden pasar inadvertidas con facilidad.
Los agentes identificaron una diferencia inesperada entre Tsc1 y Tsc2, dos genes que trabajan juntos para controlar mTOR, un regulador clave del crecimiento celular, el metabolismo y el envejecimiento. La alteración de cualquiera de los dos genes tuvo efectos similares en varios grupos de neuronas. Pero en el cerebelo, que ayuda a coordinar el movimiento, la alteración de Tsc2 modificó la actividad de decenas de genes involucrados en la comunicación neuronal, mientras que la de Tsc1 produjo pocos cambios.
Esa diferencia podría ser relevante para las enfermedades humanas. En las personas con esclerosis tuberosa, las anomalías del cerebelo están estrechamente vinculadas a las mutaciones de TSC2. Aunque los medicamentos que reducen la actividad de mTOR pueden tratar ciertos tumores cerebrales y convulsiones, las dificultades de aprendizaje y conducta asociadas con la enfermedad siguen siendo difíciles de abordar. Los agentes identificaron un grupo específico de neuronas y cambios celulares que vale la pena investigar: ¿qué cambios podrían corregir los medicamentos existentes y cuáles podrían apuntar a nuevos enfoques de tratamiento? Esto ofrece a los investigadores un conjunto más concreto de preguntas para explorar en el laboratorio.
¿Podría un solo agente con acceso a todo el conjunto de datos lograr los mismos resultados que miles de agentes trabajando en paralelo? Lo pusimos a prueba sin cambiar el modelo ni los recursos. A medida que aumentaba la carga de trabajo, el agente individual consultaba menos bibliografía: con la carga máxima, citó solo 11 referencias, mientras que los agentes distribuidos citaron más de 700. Los expertos humanos también prefirieron las interpretaciones de los agentes distribuidos.
Los científicos tienen poco tiempo y suelen centrarse en las señales más claras de sus datos. Los agentes distribuidos pueden ayudar a examinar una gama más amplia de respuestas, incluidas las sutiles o inesperadas, y relacionarlas con la bibliografía científica pertinente. Ejecutar los agentes en paralelo permite investigar muchas perturbaciones a la vez. Esto ayuda a los científicos a explorar más a fondo la información de un experimento e identificar pistas prometedoras que, de otro modo, podrían pasar inadvertidas.
Con la carga de trabajo máxima, los agentes distribuidos citaron más de 700 referencias, frente a las 11 de un solo agente.
Un hallazgo adquiere más valor cuando apunta a un experimento que vale la pena realizar. Los agentes encontraron una pista de este tipo en DCTN1, un gen cuyas mutaciones causan el síndrome de Perry, una enfermedad neurodegenerativa con síntomas similares a los del Parkinson.
DCTN1 participa en el transporte de sustancias dentro de las neuronas. En el atlas CRISPR de todo el cerebro, la alteración de Dctn1 aumentó la expresión de genes involucrados en la producción de colesterol. Los agentes relacionaron esta observación con investigaciones que sugieren que los problemas en el transporte del colesterol pueden hacer que las células produzcan más colesterol. Esto planteó una pregunta para futuros experimentos: ¿podría la alteración de DCTN1 cambiar la distribución del colesterol dentro de las neuronas, y podrían esos cambios contribuir a la neurodegeneración? De ser así, ¿podría el restablecimiento de la distribución normal del colesterol ayudar a proteger las neuronas?
Los expertos humanos también consideraron que esta hipótesis era novedosa, relevante y digna de seguir investigándose. Este ejemplo muestra cómo relacionar un resultado inesperado con el conocimiento existente puede convertir una pista en una idea comprobable y, potencialmente, en una nueva vía para tratar una enfermedad.
En comparaciones a ciegas, los expertos humanos prefirieron los informes de los agentes distribuidos a los de un solo agente el 75 % de las veces.
Los científicos siguen siendo el eje del descubrimiento. Al revelar más pistas prometedoras, la IA puede ayudar a los investigadores a decidir qué ideas desarrollar, diseñar experimentos e interpretar resultados. El objetivo es convertir una mayor parte de la información de los experimentos biológicos en conocimiento que, con el tiempo, pueda orientar el desarrollo de mejores medicamentos.
