Migliaia di agenti IA per scoprire nuove piste nei dati biologici
Come OpenAI, PerturbAI e Scripps Research hanno usato agenti IA distribuiti per aiutare gli scienziati a individuare piste di ricerca promettenti nei dati di milioni di cellule cerebrali
Scopri come OpenAI, PerturbAI e Scripps Research hanno impiegato migliaia di agenti IA in parallelo per individuare connessioni biologiche promettenti nei dati complessi di milioni di cellule cerebrali.
Video di PerturbAI.
E se gli scienziati potessero scoprire nuovi indizi sull’Alzheimer e sul Parkinson in pochi minuti anziché in mesi? OpenAI, PerturbAI(si apre in una nuova finestra) e Scripps Research(si apre in una nuova finestra) hanno collaborato usando migliaia di agenti IA basati su GPT‑Rosalind(si apre in una nuova finestra) per analizzare e interpretare dati sperimentali già disponibili relativi a milioni di cellule cerebrali di topo(si apre in una nuova finestra) in soli 32 minuti. Gli agenti hanno collegato gli effetti dell’inattivazione dei geni ai risultati presenti nella letteratura scientifica, scoprendo connessioni biologiche inattese che possono aiutare gli scienziati a comprendere le malattie e a individuare direzioni di ricerca per nuovi trattamenti. Questo lavoro mostra come l’IA possa aiutare i ricercatori a esplorare più a fondo ciò che emerge dagli esperimenti biologici su larga scala.
Gli esperimenti moderni generano molti più dati di quanti gli scienziati riescano a esaminare in modo approfondito. Oggi i ricercatori possono modificare migliaia di geni e misurarne gli effetti su milioni di cellule. Ma per comprendere le implicazioni di questi risultati per le malattie umane occorre collegare dati sperimentali complessi a decenni di conoscenze scientifiche sparse in molte fonti. È qui che l’IA può aiutare gli scienziati a individuare piste promettenti che altrimenti potrebbero sfuggire.
“Creiamo atlanti cellulari affinché altri scienziati possano fare scoperte che non abbiamo ancora immaginato. L’IA potrebbe aiutare più ricercatori a esplorare queste risorse e a trasformare osservazioni inattese in nuove domande da indagare.”
Il team ha suddiviso l’analisi tra migliaia di agenti IA basati su GPT‑Rosalind, con un approccio che chiamiamo ragionamento biologico distribuito. Gli agenti hanno esaminato un atlante CRISPR dell’intero cervello(si apre in una nuova finestra), un dataset che mostra come l’inattivazione dei geni influisca su diversi tipi di cellule in tutto il cervello del topo. Ogni agente ha studiato l’inattivazione di un gene, analizzato le risposte cellulari, consultato la letteratura scientifica e proposto spiegazioni per i risultati. I loro report sono stati riuniti in un atlante del ragionamento che collega geni, effetti cellulari, pubblicazioni pertinenti e possibili meccanismi biologici.
Il team di ricerca ha stimato che un’analisi e una revisione della letteratura analoghe, svolte da esseri umani esaminando una perturbazione alla volta, richiederebbero da alcuni mesi a un anno. Gli agenti hanno riprodotto i risultati delle analisi umane, individuando anche ulteriori piste. Anche le loro valutazioni di novità e valore scientifico erano in linea con i giudizi formulati in cieco da esperti umani. Questi risultati aiutano a stabilire le priorità per gli ulteriori esperimenti necessari a verificare i meccanismi biologici proposti.
Alcune di queste osservazioni indicano nuove piste per comprendere le malattie cerebrali. Gli agenti hanno individuato differenze inattese negli effetti di due geni associati a malattie sulle cellule cerebrali, oltre a un potenziale legame tra la regolazione del colesterolo e la neurodegenerazione. Questi risultati potrebbero aiutare gli scienziati a studiare come si sviluppano le malattie e su quali processi potrebbero agire i trattamenti futuri.
“A volte gli indizi ci sono già, sparsi tra discipline diverse: semplicemente non li abbiamo ancora collegati. Il possibile legame tra la funzione neuronale e il metabolismo del colesterolo mostra come questi tasselli, una volta riuniti, possano offrirci un nuovo modo di pensare alla biologia delle malattie.”
I ricercatori possono iniziare a esplorare questi risultati già oggi. L’atlante del ragionamento è disponibile(si apre in una nuova finestra) e consente agli scienziati di confrontare geni correlati, studiare risposte inattese e individuare piste promettenti da approfondire. Spesso le nuove scoperte nascono quando ricercatori di ambiti diversi uniscono le proprie competenze e collegano idee note in modi inattesi. L’IA può ampliare notevolmente queste connessioni, collegando nuovi dati a conoscenze sparse in discipline diverse. Le possibilità vanno oltre un’analisi più rapida dei dati. Combinando l’IA con la biologia sperimentale, le competenze umane e la letteratura scientifica, possiamo aiutare gli scienziati a trasformare una parte maggiore dei loro dati in idee da verificare.
Alcuni degli indizi più interessanti di un esperimento si trovano al di fuori del fenomeno che gli scienziati si erano proposti di studiare. In un dataset che comprende migliaia di perturbazioni, questi indizi possono facilmente sfuggire.
Gli agenti hanno individuato una differenza inattesa tra Tsc1 e Tsc2, due geni che collaborano al controllo di mTOR, un importante regolatore della crescita cellulare, del metabolismo e dell’invecchiamento. L’inattivazione dell’uno o dell’altro gene aveva effetti simili in diversi gruppi di neuroni. Nel cervelletto, che contribuisce a coordinare i movimenti, però, l’inattivazione di Tsc2 alterava l’attività di decine di geni coinvolti nella comunicazione neuronale, mentre quella di Tsc1 produceva pochi cambiamenti.
Questa differenza potrebbe avere rilevanza per le malattie umane. Nelle persone con sclerosi tuberosa, le anomalie del cervelletto sono fortemente associate alle mutazioni di TSC2. Sebbene i farmaci che riducono l’attività di mTOR possano trattare alcuni tumori cerebrali e le crisi epilettiche, le difficoltà di apprendimento e i problemi comportamentali associati alla malattia restano difficili da affrontare. Gli agenti hanno individuato un gruppo specifico di neuroni e cambiamenti cellulari da approfondire: quali cambiamenti potrebbero essere corretti dai farmaci esistenti e quali potrebbero suggerire nuovi approcci terapeutici? Questo offre ai ricercatori una serie di domande più mirate da indagare in laboratorio.
Un singolo agente con accesso all’intero dataset potrebbe ottenere risultati altrettanto buoni di migliaia di agenti che lavorano in parallelo? Lo abbiamo verificato mantenendo invariati il modello e le risorse. All’aumentare del carico di lavoro, il singolo agente consultava una porzione minore della letteratura, citando appena 11 riferimenti al carico massimo, mentre gli agenti distribuiti ne citavano oltre 700. Anche gli esperti umani hanno preferito le interpretazioni degli agenti distribuiti.
Gli scienziati hanno poco tempo a disposizione e spesso si concentrano sui segnali più evidenti nei loro dati. Gli agenti distribuiti possono aiutare a esaminare una gamma più ampia di risposte, comprese quelle meno evidenti o inattese, e a collegarle alla letteratura scientifica pertinente. Far lavorare gli agenti in parallelo permette di studiare molte perturbazioni contemporaneamente. Questo aiuta gli scienziati a esplorare più a fondo i risultati di un esperimento e a individuare piste promettenti che altrimenti potrebbero sfuggire.
Al carico di lavoro massimo, gli agenti distribuiti hanno citato oltre 700 riferimenti, contro gli 11 di un singolo agente.
Un risultato acquista più valore quando suggerisce un esperimento che vale la pena condurre. Gli agenti hanno individuato una pista di questo tipo in DCTN1, un gene le cui mutazioni causano la sindrome di Perry, una malattia neurodegenerativa con sintomi simili a quelli del Parkinson.
DCTN1 è coinvolto nel trasporto di materiali all’interno dei neuroni. Nell’atlante CRISPR dell’intero cervello, l’inattivazione di Dctn1 aumentava l’espressione dei geni coinvolti nella sintesi del colesterolo. Gli agenti hanno collegato questa osservazione a studi secondo cui i problemi nel trasporto del colesterolo potrebbero indurre le cellule a produrne di più. Ne è nata una domanda da approfondire con ulteriori esperimenti: l’inattivazione di DCTN1 potrebbe modificare la distribuzione del colesterolo all’interno dei neuroni e queste modifiche potrebbero contribuire alla neurodegenerazione? Se così fosse, ripristinare la normale distribuzione del colesterolo potrebbe aiutare a proteggere i neuroni?
Anche gli esperti umani hanno ritenuto questa ipotesi nuova, rilevante e meritevole di approfondimento. Questo esempio mostra come collegare un risultato inatteso alle conoscenze esistenti possa trasformare un indizio in un’idea da verificare e, potenzialmente, in una nuova strada per curare le malattie.
Nei confronti in cieco, gli esperti umani hanno preferito i report degli agenti distribuiti a quelli del singolo agente nel 75% dei casi.
Gli scienziati restano al centro del processo di scoperta. Individuando più piste promettenti, l’IA può aiutare i ricercatori a decidere quali idee approfondire, progettare esperimenti e interpretare i risultati. L’obiettivo è trasformare una parte maggiore delle informazioni ricavate dagli esperimenti biologici in conoscenze che, nel tempo, possano contribuire a orientare lo sviluppo di farmaci migliori.
