ათასობით AI აგენტით ახალი მინიშნებების ძიება ბიოლოგიურ მონაცემებში

რა მოხდებოდა, მეცნიერებს ალცჰაიმერისა და პარკინსონის დაავადებების შესახებ ახალი მინიშნებების აღმოჩენა თვეების ნაცვლად წუთებში რომ შეეძლოთ? OpenAI-მ, PerturbAI⁠(იხსნება ახალ ფანჯარაში)-მ და Scripps Research⁠(იხსნება ახალ ფანჯარაში)-მა ერთობლივად გამოიყენეს GPT‑Rosalind‑ზე მომუშავე ათასობით AI აგენტი⁠(იხსნება ახალ ფანჯარაში), რათა თაგვის ტვინის მილიონობით უჯრედიდან⁠(იხსნება ახალ ფანჯარაში) მიღებული არსებული ექსპერიმენტული მონაცემები სულ რაღაც 32 წუთში გაეანალიზებინათ და განემარტათ. აგენტებმა გენების ფუნქციის დარღვევის შედეგები სამეცნიერო ლიტერატურის მიგნებებს დაუკავშირეს და მოულოდნელი ბიოლოგიური კავშირები გამოავლინეს. ეს კავშირები მეცნიერებს დაავადების გაგებასა და ახალი მკურნალობის მეთოდების შესამუშავებლად კვლევის მიმართულებების განსაზღვრაში დაეხმარება. ეს ნაშრომი აჩვენებს, როგორ შეუძლია AI-ს მკვლევრებს ფართომასშტაბიანი ბიოლოგიური ექსპერიმენტების შედეგების უფრო სრულად შესწავლაში დაეხმაროს.

თანამედროვე ექსპერიმენტები გაცილებით მეტ მონაცემს წარმოქმნის, ვიდრე მეცნიერებს საფუძვლიანად შესწავლა შეუძლიათ. მკვლევრებს უკვე შეუძლიათ ათასობით გენის შეცვლა და მათი ზემოქმედების გაზომვა მილიონობით უჯრედში. თუმცა იმის გასაგებად, თუ რას ნიშნავს ეს შედეგები ადამიანის დაავადებებისთვის, საჭიროა რთული ექსპერიმენტული მიგნებების დაკავშირება ათწლეულების განმავლობაში დაგროვილ, სხვადასხვა წყაროში გაბნეულ სამეცნიერო ცოდნასთან. სწორედ აქ შეუძლია AI-ს მეცნიერებს ისეთი პერსპექტიული მიმართულებების გამოვლენაში დაეხმაროს, რომლებიც სხვაგვარად შესაძლოა გამორჩენოდათ.

გუნდმა ანალიზი GPT‑Rosalind‑ზე მომუშავე ათასობით AI აგენტს შორის გაანაწილა — ამ მიდგომას განაწილებულ ბიოლოგიურ მსჯელობას ვუწოდებთ. აგენტებმა შეისწავლეს მთელი ტვინის CRISPR ატლასი⁠(იხსნება ახალ ფანჯარაში) — მონაცემთა ნაკრები, რომელიც აჩვენებს, როგორ მოქმედებს გენების ფუნქციის დარღვევა სხვადასხვა ტიპის უჯრედებზე თაგვის მთელ ტვინში. თითოეული აგენტი იკვლევდა ერთი გენის ფუნქციის დარღვევას, აანალიზებდა უჯრედულ რეაქციებს, იძიებდა სამეცნიერო ლიტერატურას და შედეგების შესაძლო ახსნებს გვთავაზობდა. მათი ანგარიშები გაერთიანდა მსჯელობის ატლასში, რომელიც ერთმანეთთან აკავშირებს გენებს, უჯრედულ ეფექტებს, შესაბამის პუბლიკაციებსა და შესაძლო ბიოლოგიურ მექანიზმებს.

კვლევითი გუნდის შეფასებით, ადამიანების მიერ თითოეული პერტურბაციის ცალ-ცალკე ანალიზსა და შესაბამისი ლიტერატურის მიმოხილვას, მსგავსი მოცულობით, რამდენიმე თვიდან ერთ წლამდე დასჭირდებოდა. აგენტებმა გაიმეორეს ადამიანების ანალიზით მიღებული მიგნებები და დამატებით საკვლევი მიმართულებებიც გამოავლინეს. სიახლისა და სამეცნიერო ღირებულების მათეული შეფასებები ასევე თანხვედრაში იყო ექსპერტების ბრმა შეფასებებთან. ეს მიგნებები გვეხმარება, პრიორიტეტი მივანიჭოთ შემდგომ ექსპერიმენტებს, რომლებიც შემოთავაზებული ბიოლოგიური მექანიზმების შესამოწმებლადაა საჭირო.

ზოგიერთი მიგნება ტვინის დაავადებების გასაგებად ახალ საკვლევ მიმართულებებზე მიანიშნებს. აგენტებმა მოულოდნელი განსხვავებები აღმოაჩინეს ტვინის უჯრედებზე დაავადებასთან დაკავშირებული ორი გენის ზემოქმედებაში. მათ ასევე გამოავლინეს შესაძლო კავშირი ქოლესტერინის რეგულაციასა და ნეიროდეგენერაციას შორის. ეს მიგნებები მეცნიერებს დაეხმარება, გამოიკვლიონ, როგორ ვითარდება დაავადება და რომელ ეტაპზე შეიძლება იმოქმედოს მომავალმა მკურნალობამ.

მკვლევრებს ამ მიგნებების შესწავლის დაწყება დღესვე შეუძლიათ. მსჯელობის ატლასი ხელმისაწვდომია⁠(იხსნება ახალ ფანჯარაში). მისი მეშვეობით მეცნიერებს შეუძლიათ შეადარონ ერთმანეთთან დაკავშირებული გენები, გამოიკვლიონ მოულოდნელი რეაქციები და გამოავლინონ შემდგომი კვლევის პერსპექტიული მიმართულებები. ახალი აღმოჩენები ხშირად მაშინ იბადება, როცა სხვადასხვა დარგის მკვლევრები საკუთარ ცოდნას აერთიანებენ და ნაცნობ იდეებს მოულოდნელი გზებით აკავშირებენ. AI-ს შეუძლია მნიშვნელოვნად გაზარდოს ასეთი კავშირების მასშტაბი — ახალი მონაცემების სხვადასხვა დარგში გაბნეულ ცოდნასთან დაკავშირების გზით. ეს შესაძლებლობა მონაცემთა უფრო სწრაფი ანალიზით არ შემოიფარგლება. AI-ს ექსპერიმენტულ ბიოლოგიასთან, ადამიანების გამოცდილებასა და სამეცნიერო ლიტერატურასთან გაერთიანებით შეგვიძლია მეცნიერებს დავეხმაროთ, მეტი მონაცემი აქციონ შემოწმებად იდეებად.

ექსპერიმენტის ზოგიერთი ყველაზე საინტერესო მინიშნება იმ საკითხის მიღმაა, რომლის შესწავლაც მეცნიერებმა თავდაპირველად განიზრახეს. მონაცემთა ნაკრებში, რომელიც ათასობით პერტურბაციას მოიცავს, ასეთი მინიშნებები ადვილად შეიძლება გამოგვრჩეს.

აგენტებმა მოულოდნელი განსხვავება გამოავლინეს Tsc1-სა და Tsc2-ს შორის. ეს ორი გენი ერთობლივად აკონტროლებს mTOR-ს — უჯრედების ზრდის, მეტაბოლიზმისა და დაბერების ერთ-ერთ მთავარ რეგულატორს. ნეირონების რამდენიმე ჯგუფში ამ ორი გენიდან ნებისმიერის ფუნქციის დარღვევას მსგავსი შედეგები ჰქონდა. მაგრამ ნათხემში, რომელიც მოძრაობის კოორდინაციაში მონაწილეობს, Tsc2-ის ფუნქციის დარღვევამ ნეირონებს შორის კომუნიკაციაში ჩართული ათობით გენის აქტივობა შეცვალა, Tsc1-ის ფუნქციის დარღვევამ კი მცირე ცვლილება გამოიწვია.

ამ განსხვავებას შესაძლოა მნიშვნელობა ჰქონდეს ადამიანის დაავადებისთვის. ტუბეროზული სკლეროზის მქონე ადამიანებში ნათხემის ანომალიები მჭიდროდაა დაკავშირებული TSC2-ის მუტაციებთან. მართალია, mTOR-ის აქტივობის შემამცირებელი მედიკამენტები ტვინის ზოგიერთი სიმსივნისა და კრუნჩხვითი შეტევების სამკურნალოდ გამოიყენება, მაგრამ დაავადებასთან დაკავშირებული სწავლისა და ქცევის სირთულეების დაძლევა კვლავ რთულია. აგენტებმა ზუსტად გამოყვეს ნეირონების კონკრეტული ჯგუფი და უჯრედული ცვლილებები, რომელთა გამოკვლევაც ღირს: რომელი ცვლილებების გამოსწორება შეუძლია არსებულ მედიკამენტებს და რომელი შეიძლება მიანიშნებდეს მკურნალობის ახალ მიდგომებზე? ეს მკვლევრებს ლაბორატორიაში შესამოწმებლად უფრო კონკრეტულ კითხვებს აძლევს.

შეძლებდა ერთი აგენტი, რომელსაც მონაცემთა მთელი ნაკრები ექნებოდა, ისეთივე შედეგის მიღწევას, როგორსაც პარალელურად მომუშავე ათასობით აგენტი? ეს უცვლელი მოდელისა და რესურსების პირობებში შევამოწმეთ. სამუშაოს მოცულობის ზრდასთან ერთად, ერთი აგენტი სულ უფრო ნაკლებ ლიტერატურას იძიებდა: ყველაზე დიდი დატვირთვისას მან მხოლოდ 11 წყარო დაიმოწმა, განაწილებულმა აგენტებმა კი — 700-ზე მეტი. ექსპერტებმაც უპირატესობა განაწილებული აგენტების ინტერპრეტაციებს მიანიჭეს.

მეცნიერებს შეზღუდული დრო აქვთ და ხშირად მონაცემებში ყველაზე მკაფიო სიგნალებზე ამახვილებენ ყურადღებას. განაწილებულ აგენტებს შეუძლიათ დაეხმარონ მათ უფრო ფართო სპექტრის რეაქციების შესწავლაში, მათ შორის სუსტად გამოხატულისა თუ მოულოდნელის, და შესაბამის სამეცნიერო ლიტერატურასთან დაკავშირებაში. აგენტების პარალელური მუშაობა მრავალი პერტურბაციის ერთდროულად გამოკვლევის საშუალებას იძლევა. ეს მეცნიერებს ეხმარება, უფრო სრულად შეისწავლონ ექსპერიმენტის შედეგები და გამოავლინონ პერსპექტიული საკვლევი მიმართულებები, რომლებიც სხვაგვარად შესაძლოა გამორჩენოდათ.

მიგნების ღირებულება იზრდება, როცა ის მიგვანიშნებს ექსპერიმენტზე, რომლის ჩატარებაც ღირს. აგენტებმა ერთ-ერთი ასეთი მიმართულება DCTN1 გენში აღმოაჩინეს. მისი მუტაციები იწვევს პერის სინდრომს — ნეიროდეგენერაციულ დაავადებას პარკინსონის მსგავსი სიმპტომებით.

DCTN1 ნეირონებში ნივთიერებების ტრანსპორტირებაში მონაწილეობს. მთელი ტვინის CRISPR ატლასში Dctn1-ის ფუნქციის დარღვევა ზრდიდა ქოლესტერინის წარმოქმნაში მონაწილე გენების ექსპრესიას. აგენტებმა ეს დაკვირვება დაუკავშირეს კვლევებს, რომელთა თანახმადაც ქოლესტერინის ტრანსპორტირების პრობლემებმა შესაძლოა უჯრედებში მეტი ქოლესტერინის წარმოქმნა გამოიწვიოს. ამან შემდგომი ექსპერიმენტებისთვის კითხვა გააჩინა: შეიძლება თუ არა DCTN1-ის ფუნქციის დარღვევამ ნეირონებში ქოლესტერინის განაწილება შეცვალოს და ამ ცვლილებებმა ნეიროდეგენერაციას შეუწყოს ხელი? თუ ასეა, შეიძლება თუ არა ქოლესტერინის ნორმალური განაწილების აღდგენამ ნეირონების დაცვას შეუწყოს ხელი?

ექსპერტებმაც ეს ჰიპოთეზა ახალ, მნიშვნელოვან და შემდგომი კვლევის ღირს იდეად მიიჩნიეს. ეს მაგალითი აჩვენებს, როგორ შეიძლება მოულოდნელი შედეგის არსებულ ცოდნასთან დაკავშირებამ მინიშნება შემოწმებად იდეად აქციოს და, შესაძლოა, დაავადების მკურნალობის ახალი მიმართულებაც გამოკვეთოს.

აღმოჩენის პროცესში ცენტრალური როლი კვლავ მეცნიერებს ეკუთვნით. მეტი პერსპექტიული მიმართულების გამოვლენით AI-ს შეუძლია მკვლევრებს დაეხმაროს საკვლევი იდეების შერჩევაში, ექსპერიმენტების დაგეგმვასა და შედეგების ინტერპრეტაციაში. მიზანია, ბიოლოგიური ექსპერიმენტებიდან მიღებული მეტი ინფორმაცია იქცეს ცოდნად, რომელიც დროთა განმავლობაში უკეთესი მედიკამენტების შემუშავებას დაეხმარება.