Tisuće AI agenata otkrivaju nove tragove u biološkim podacima
Kako su OpenAI, PerturbAI i Scripps Research uz distribuirane AI agente pomogli znanstvenicima da u podacima o milijunima moždanih stanica prepoznaju obećavajuće tragove za istraživanje
Pogledajte kako su OpenAI, PerturbAI i Scripps Research paralelno pokrenuli tisuće AI agenata kako bi prepoznali obećavajuće biološke poveznice u složenim podacima o milijunima moždanih stanica.
Autor videozapisa: PerturbAI.
Što kad bi znanstvenici mogli otkriti nove tragove o Alzheimerovoj i Parkinsonovoj bolesti u nekoliko minuta umjesto u nekoliko mjeseci? OpenAI, PerturbAI(otvara se u novom prozoru) i Scripps Research(otvara se u novom prozoru) zajednički su upotrijebili tisuće AI agenata koje pokreće GPT‑Rosalind(otvara se u novom prozoru) kako bi u samo 32 minute analizirali i protumačili postojeće eksperimentalne podatke o milijunima stanica mišjeg mozga(otvara se u novom prozoru). Agenti su povezali učinke narušavanja funkcije gena s nalazima iz znanstvene literature i otkrili neočekivane biološke poveznice koje znanstvenicima mogu pomoći da razumiju bolesti i utvrde smjerove istraživanja novih terapija. Ovaj rad pokazuje kako umjetna inteligencija može pomoći istraživačima da podrobnije istraže ono što otkrivaju veliki biološki eksperimenti.
Suvremeni eksperimenti stvaraju daleko više podataka nego što ih znanstvenici mogu temeljito istražiti. Istraživači sada mogu mijenjati tisuće gena i mjeriti njihove učinke u milijunima stanica. No da bi razumjeli što ti rezultati znače za ljudske bolesti, moraju povezati složene eksperimentalne nalaze s raspršenim znanstvenim spoznajama prikupljanima desetljećima. Upravo tu umjetna inteligencija može pomoći znanstvenicima da otkriju obećavajuće tragove koji bi im inače mogli promaknuti.
„Izrađujemo atlase stanica kako bi drugi znanstvenici mogli doći do otkrića koja još nismo ni zamislili. Umjetna inteligencija mogla bi pomoći većem broju istraživača da istraže te resurse i pretvore neočekivana opažanja u nova pitanja koja mogu ispitati.”
Tim je podijelio analizu među tisućama AI agenata koje pokreće GPT‑Rosalind. Taj pristup nazivamo distribuiranim biološkim rasuđivanjem. Agenti su proučili atlas CRISPR-a cijelog mozga(otvara se u novom prozoru), skup podataka koji pokazuje kako narušavanje funkcije gena utječe na različite vrste stanica u cijelom mišjem mozgu. Svaki je agent istraživao narušavanje funkcije jednog gena, analizirao stanične odgovore, pretraživao znanstvenu literaturu i predlagao objašnjenja rezultata. Njihova su izvješća objedinjena u atlas rasuđivanja koji povezuje gene, stanične učinke, relevantne publikacije i moguće biološke mehanizme.
Istraživački tim procijenio je da bi usporediva ljudska analiza i pregled literature, uz obradu jedne po jedne perturbacije, trajali od nekoliko mjeseci do godinu dana. Agenti su ponovili nalaze ljudskih analiza i pritom otkrili dodatne tragove. Njihove procjene novosti i znanstvene vrijednosti također su se podudarale s prosudbama ljudskih stručnjaka koji nisu znali tko je izradio izvješća. Ti nalazi pomažu u određivanju prioriteta za daljnje eksperimente potrebne za provjeru predloženih bioloških mehanizama.
Neke od tih spoznaja upućuju na nove tragove za razumijevanje bolesti mozga. Agenti su utvrdili neočekivane razlike u načinu na koji dva gena povezana s bolešću utječu na moždane stanice, kao i moguću vezu između regulacije kolesterola i neurodegeneracije. Ti bi nalazi mogli pomoći znanstvenicima da istraže kako se bolest razvija i na što bi buduće terapije mogle djelovati.
„Ponekad su tragovi već tu, raspršeni po različitim područjima — samo ih još nismo povezali. Moguća veza između funkcije neurona i metabolizma kolesterola pokazuje kako nam ti dijelovi, kada ih spojimo, mogu pružiti nov način razmišljanja o biologiji bolesti.”
Istraživači mogu početi istraživati te nalaze već danas. Atlas rasuđivanja je dostupan(otvara se u novom prozoru) te znanstvenicima omogućuje usporedbu srodnih gena, istraživanje neočekivanih odgovora i prepoznavanje obećavajućih tragova za daljnje istraživanje. Nova otkrića često nastaju kada istraživači iz različitih područja udruže svoje stručno znanje i povežu poznate ideje na neočekivane načine. Umjetna inteligencija može znatno povećati broj takvih poveznica spajanjem novih podataka sa znanjem raspršenim po različitim disciplinama. Mogućnosti nadilaze samo bržu analizu podataka. Povezivanjem umjetne inteligencije s eksperimentalnom biologijom, ljudskim stručnim znanjem i znanstvenom literaturom možemo pomoći znanstvenicima da više svojih podataka pretvore u provjerljive ideje.
Neki od najzanimljivijih tragova u eksperimentu nalaze se izvan onoga što su znanstvenici prvotno namjeravali istražiti. U skupu podataka koji obuhvaća tisuće perturbacija takvi tragovi lako mogu promaknuti.
Agenti su utvrdili neočekivanu razliku između gena Tsc1 i Tsc2, koji zajedno kontroliraju mTOR, važan regulator staničnog rasta, metabolizma i starenja. Narušavanje funkcije bilo kojeg od tih gena imalo je slične učinke u nekoliko skupina neurona. No u malom mozgu, koji pomaže u koordinaciji pokreta, narušavanje funkcije gena Tsc2 promijenilo je aktivnost desetaka gena uključenih u komunikaciju među neuronima, dok je narušavanje funkcije gena Tsc1 izazvalo tek male promjene.
Ta bi razlika mogla biti važna za ljudske bolesti. U osoba s tuberoznom sklerozom abnormalnosti malog mozga snažno su povezane s mutacijama gena TSC2. Iako lijekovi koji smanjuju aktivnost mTOR-a mogu liječiti određene tumore mozga i epileptičke napadaje, teškoće u učenju i ponašanju povezane s tom bolešću i dalje je teško ublažiti. Agenti su precizno odredili skupinu neurona i stanične promjene koje vrijedi istražiti: koje bi promjene postojeći lijekovi mogli ispraviti, a koje bi mogle upućivati na nove pristupe liječenju? Time istraživači dobivaju konkretnija pitanja koja mogu ispitati u laboratoriju.
Može li jedan agent kojem je dostupan cijeli skup podataka biti jednako uspješan kao tisuće agenata koji rade paralelno? To smo testirali uz isti model i nepromijenjene resurse. Kako je opseg posla rastao, samostalni agent pretraživao je sve manje literature te je pri najvećem opsegu naveo samo 11 izvora, dok su distribuirani agenti naveli više od 700. I ljudski stručnjaci dali su prednost tumačenjima distribuiranih agenata.
Znanstvenici imaju ograničeno vrijeme i često se usredotočuju na najizraženije signale u svojim podacima. Distribuirani agenti mogu pomoći u ispitivanju šireg raspona odgovora, uključujući suptilne ili neočekivane, te ih povezati s relevantnom znanstvenom literaturom. Paralelan rad agenata omogućuje istodobno istraživanje brojnih perturbacija. To znanstvenicima pomaže da podrobnije istraže rezultate eksperimenta i prepoznaju obećavajuće tragove koji bi im inače mogli promaknuti.
Pri najvećem opsegu posla distribuirani agenti naveli su više od 700 izvora, a samostalni agent 11.
Nalaz dobiva na vrijednosti kada upućuje na eksperiment koji vrijedi provesti. Agenti su jedan takav trag pronašli u genu DCTN1, čije mutacije uzrokuju Perryjev sindrom, neurodegenerativnu bolest sa simptomima sličnima onima Parkinsonove bolesti.
DCTN1 sudjeluje u prijenosu tvari unutar neurona. U atlasu CRISPR-a cijelog mozga narušavanje funkcije gena Dctn1 povećalo je ekspresiju gena uključenih u sintezu kolesterola. Agenti su to opažanje povezali s istraživanjima koja upućuju na to da problemi s prijenosom kolesterola mogu potaknuti stanice da ga stvaraju više. Time se otvorilo pitanje za daljnje eksperimente: može li narušavanje funkcije gena DCTN1 promijeniti raspodjelu kolesterola unutar neurona i mogu li te promjene pridonijeti neurodegeneraciji? Ako mogu, bi li ponovna uspostava normalne raspodjele kolesterola mogla pomoći u zaštiti neurona?
I ljudski stručnjaci ocijenili su tu hipotezu novom, važnom i vrijednom daljnjeg istraživanja. Ovaj primjer pokazuje kako povezivanje neočekivanog rezultata s postojećim znanjem može pretvoriti trag u provjerljivu ideju, a potencijalno i u novi smjer liječenja bolesti.
U usporedbama u kojima nisu znali tko je izradio izvješća, ljudski stručnjaci u 75 % slučajeva dali su prednost izvješćima distribuiranih agenata pred izvješćima samostalnog agenta.
Znanstvenici i dalje imaju središnju ulogu u otkrivanju novih spoznaja. Otkrivanjem većeg broja obećavajućih tragova umjetna inteligencija može pomoći istraživačima da odluče koje ideje dalje istraživati, osmisle eksperimente i protumače rezultate. Cilj je pretvoriti što više informacija iz bioloških eksperimenata u znanje koje s vremenom može pomoći u usmjeravanju razvoja boljih lijekova.
