Des milliers d’agents d’IA pour révéler de nouvelles pistes dans les données biologiques
Comment OpenAI, PerturbAI et Scripps Research ont utilisé des agents d’IA distribués pour aider les scientifiques à repérer des pistes de recherche prometteuses dans les données de millions de cellules cérébrales
Découvrez comment OpenAI, PerturbAI et Scripps Research ont déployé des milliers d’agents d’IA en parallèle pour repérer des liens biologiques prometteurs dans les données complexes de millions de cellules cérébrales.
Crédit vidéo : PerturbAI.
Et si les scientifiques pouvaient découvrir de nouveaux indices sur les maladies d’Alzheimer et de Parkinson en quelques minutes plutôt qu’en plusieurs mois ? Ensemble, OpenAI, PerturbAI(ouverture dans une nouvelle fenêtre) et Scripps Research(ouverture dans une nouvelle fenêtre) ont utilisé des milliers d’agents d’IA propulsés par GPT‑Rosalind(ouverture dans une nouvelle fenêtre) pour analyser et interpréter des données expérimentales existantes provenant de millions de cellules cérébrales de souris(ouverture dans une nouvelle fenêtre), en seulement 32 minutes. Les agents ont relié les effets des inactivations de gènes aux résultats de la littérature scientifique, révélant des liens biologiques inattendus qui peuvent aider les scientifiques à comprendre les maladies et à définir des pistes de recherche pour de nouveaux traitements. Ces travaux montrent comment l’IA peut aider les chercheurs à explorer davantage ce que révèlent les expériences biologiques à grande échelle.
Les expériences modernes génèrent bien plus de données que les scientifiques ne peuvent en étudier de manière approfondie. Les chercheurs peuvent désormais modifier des milliers de gènes et mesurer leurs effets sur des millions de cellules. Mais comprendre ce que ces résultats signifient pour les maladies humaines exige de relier des observations expérimentales complexes à des décennies de connaissances scientifiques dispersées. C’est là que l’IA peut aider les scientifiques à découvrir des pistes prometteuses qui pourraient autrement passer inaperçues.
« Nous créons des atlas cellulaires pour que d’autres scientifiques puissent faire des découvertes que nous n’avons pas encore imaginées. L’IA pourrait aider davantage de chercheurs à explorer ces ressources et à transformer des observations inattendues en nouvelles questions à examiner expérimentalement. »
L’équipe a réparti l’analyse entre des milliers d’agents d’IA propulsés par GPT‑Rosalind, une approche que nous appelons le raisonnement biologique distribué. Les agents ont examiné un atlas CRISPR du cerveau entier(ouverture dans une nouvelle fenêtre), un jeu de données montrant comment les inactivations de gènes affectent différents types de cellules dans l’ensemble du cerveau de la souris. Chaque agent a étudié l’inactivation d’un gène, analysé les réponses cellulaires, exploré la littérature scientifique et proposé des explications aux résultats. Leurs rapports ont été réunis dans un atlas de raisonnement reliant les gènes, les effets cellulaires, les publications pertinentes et les mécanismes biologiques possibles.
L’équipe de recherche a estimé qu’une analyse et une revue de la littérature comparables, menées par des humains en étudiant une perturbation à la fois, prendraient de plusieurs mois à un an. Les agents ont reproduit les résultats des analyses humaines tout en révélant des pistes supplémentaires. Leurs évaluations de la nouveauté et de la valeur scientifique concordaient également avec les jugements d’experts humains travaillant en aveugle. Ces résultats aident à hiérarchiser les expériences complémentaires nécessaires pour tester les mécanismes biologiques proposés.
Certaines de ces observations ouvrent de nouvelles pistes pour comprendre les maladies cérébrales. Les agents ont repéré des différences inattendues dans les effets de deux gènes associés à des maladies sur les cellules cérébrales, ainsi qu’un lien potentiel entre la régulation du cholestérol et la neurodégénérescence. Ces résultats pourraient aider les scientifiques à étudier comment les maladies se développent et à quels niveaux de futurs traitements pourraient agir.
« Parfois, les indices sont déjà là, dispersés dans différents domaines : nous ne les avons tout simplement pas encore reliés. Le lien possible entre la fonction neuronale et le métabolisme du cholestérol montre comment ces éléments, une fois réunis, peuvent nous offrir une nouvelle façon d’envisager la biologie des maladies. »
Les chercheurs peuvent commencer à explorer ces résultats dès aujourd’hui. L’atlas de raisonnement est disponible(ouverture dans une nouvelle fenêtre) : les scientifiques peuvent ainsi comparer des gènes apparentés, étudier des réponses inattendues et repérer des pistes prometteuses à approfondir. De nouvelles découvertes émergent souvent lorsque des chercheurs de différents domaines mettent en commun leur expertise et relient des idées familières de façon inattendue. L’IA peut considérablement multiplier ces rapprochements en reliant de nouvelles données à des connaissances dispersées entre les disciplines. Le potentiel va au-delà d’une analyse plus rapide des données. En associant l’IA à la biologie expérimentale, à l’expertise humaine et à la littérature scientifique, nous pouvons aider les scientifiques à tirer davantage d’idées à tester de leurs données.
Certains des indices les plus intéressants d’une expérience se trouvent en dehors du cadre que les scientifiques avaient choisi d’explorer. Dans un jeu de données couvrant des milliers de perturbations, ces indices peuvent facilement passer inaperçus.
Les agents ont repéré une différence inattendue entre Tsc1 et Tsc2, deux gènes qui agissent ensemble pour contrôler mTOR, un régulateur majeur de la croissance cellulaire, du métabolisme et du vieillissement. L’inactivation de l’un ou l’autre de ces gènes avait des effets similaires dans plusieurs groupes de neurones. Mais dans le cervelet, qui contribue à la coordination des mouvements, l’inactivation de Tsc2 modifiait l’activité de dizaines de gènes impliqués dans la communication neuronale, tandis que celle de Tsc1 entraînait peu de changements.
Cette différence pourrait éclairer la compréhension des maladies humaines. Chez les personnes atteintes de sclérose tubéreuse, les anomalies du cervelet sont fortement liées aux mutations de TSC2. Si les médicaments réduisant l’activité de mTOR peuvent traiter certaines tumeurs cérébrales et crises épileptiques, les difficultés d’apprentissage et les troubles du comportement associés à la maladie restent difficiles à prendre en charge. Les agents ont ciblé un groupe précis de neurones et des changements cellulaires qui méritent d’être étudiés : lesquels les médicaments existants pourraient-ils corriger, et lesquels pourraient orienter vers de nouvelles approches thérapeutiques ? Les chercheurs disposent ainsi de questions plus précises à examiner en laboratoire.
Un seul agent disposant de l’ensemble des données pourrait-il faire aussi bien que des milliers d’agents travaillant en parallèle ? Nous avons testé cette hypothèse en gardant le même modèle et les mêmes ressources. À mesure que la charge de travail augmentait, l’agent unique explorait moins la littérature, ne citant que 11 références à la charge maximale, contre plus de 700 pour les agents distribués. Les experts humains ont également préféré les interprétations des agents distribués.
Les scientifiques disposent d’un temps limité et se concentrent souvent sur les signaux les plus forts dans leurs données. Les agents distribués peuvent aider à examiner un éventail plus large de réponses, y compris subtiles ou inattendues, et à les relier à la littérature scientifique pertinente. L’exécution des agents en parallèle permet d’étudier de nombreuses perturbations simultanément. Les scientifiques peuvent ainsi explorer davantage les résultats d’une expérience et repérer des pistes prometteuses qui pourraient autrement passer inaperçues.
À la charge de travail maximale, les agents distribués citaient plus de 700 références, contre 11 pour un agent unique.
Un résultat prend davantage de valeur lorsqu’il ouvre la voie à une expérience qui mérite d’être menée. Les agents ont trouvé une telle piste avec DCTN1, un gène dont les mutations provoquent le syndrome de Perry, une maladie neurodégénérative aux symptômes similaires à ceux de la maladie de Parkinson.
DCTN1 participe au transport de composants à l’intérieur des neurones. Dans l’atlas CRISPR du cerveau entier, l’inactivation de Dctn1 augmentait l’expression des gènes impliqués dans la synthèse du cholestérol. Les agents ont rapproché cette observation de recherches suggérant que des problèmes de transport du cholestérol pourraient amener les cellules à en produire davantage. Cela a soulevé une question à explorer dans de futures expériences : l’inactivation de DCTN1 pourrait-elle modifier la répartition du cholestérol dans les neurones, et ces changements pourraient-ils contribuer à la neurodégénérescence ? Si tel est le cas, rétablir une répartition normale du cholestérol pourrait-il aider à protéger les neurones ?
Les experts humains ont également jugé cette hypothèse nouvelle, importante et digne d’être approfondie. Cet exemple montre comment relier un résultat inattendu aux connaissances existantes peut transformer un indice en une idée à tester, voire en une nouvelle piste thérapeutique.
Lors de comparaisons en aveugle, les experts humains ont préféré les rapports des agents distribués à ceux d’un agent unique dans 75 % des cas.
Les scientifiques restent au cœur de la découverte. En révélant davantage de pistes prometteuses, l’IA peut aider les chercheurs à choisir les idées à approfondir, à concevoir des expériences et à interpréter les résultats. L’objectif est de transformer une plus grande part des informations issues des expériences biologiques en connaissances qui, à terme, pourront guider le développement de meilleurs médicaments.
