Tysiące agentów AI pomagają znajdować nowe tropy badawcze w danych biologicznych

Co by było, gdyby naukowcy mogli odkrywać nowe tropy dotyczące chorób Alzheimera i Parkinsona w ciągu minut zamiast miesięcy? OpenAI, PerturbAI⁠(otwiera nowe okno) i Scripps Research⁠(otwiera nowe okno) wspólnie wykorzystały tysiące agentów AI opartych na GPT‑Rosalind⁠(otwiera nowe okno), by w zaledwie 32 minuty przeanalizować i zinterpretować istniejące dane eksperymentalne z milionów komórek mysiego mózgu⁠(otwiera nowe okno). Agenty powiązały skutki zaburzeń funkcji genów z ustaleniami opisanymi w literaturze naukowej, odkrywając nieoczekiwane zależności biologiczne, które mogą pomóc naukowcom zrozumieć choroby i wskazać kierunki badań nad nowymi terapiami. Ta praca pokazuje, jak AI może pomagać badaczom pełniej wykorzystywać wyniki eksperymentów biologicznych prowadzonych na dużą skalę.

Współczesne eksperymenty generują znacznie więcej danych, niż naukowcy są w stanie dokładnie zbadać. Badacze mogą dziś modyfikować tysiące genów i mierzyć skutki tych zmian w milionach komórek. Jednak zrozumienie znaczenia tych wyników dla chorób człowieka wymaga połączenia złożonych ustaleń eksperymentalnych z rozproszoną wiedzą naukową gromadzoną przez dziesięciolecia. Właśnie tutaj AI może pomóc naukowcom odkrywać obiecujące tropy, które w innym przypadku mogliby przeoczyć.

Zespół podzielił analizę między tysiące agentów AI opartych na GPT‑Rosalind. To podejście nazywamy rozproszonym rozumowaniem biologicznym. Agenty zbadały atlas CRISPR całego mózgu⁠(otwiera nowe okno), czyli zbiór danych pokazujący, jak zaburzenia funkcji genów wpływają na różne typy komórek w całym mysim mózgu. Każdy agent badał zaburzenie funkcji jednego genu, analizował reakcje komórek, przeszukiwał literaturę naukową i proponował wyjaśnienia wyników. Ich raporty połączono w atlas rozumowania, który wiąże geny, efekty komórkowe, odpowiednie publikacje i możliwe mechanizmy biologiczne.

Zespół badawczy oszacował, że porównywalna analiza i przegląd literatury wykonywane przez ludzi, kolejno dla poszczególnych perturbacji, zajęłyby od kilku miesięcy do roku. Agenty odtworzyły ustalenia z analiz przeprowadzonych przez ludzi, a przy tym odkryły dodatkowe tropy. Ich oceny nowatorstwa i wartości naukowej były również zgodne z ocenami ekspertów, którzy nie wiedzieli, skąd pochodzą oceniane materiały. Te ustalenia pomagają określić priorytety dalszych eksperymentów potrzebnych do zweryfikowania proponowanych mechanizmów biologicznych.

Niektóre z tych obserwacji wskazują nowe tropy, które mogą pomóc zrozumieć choroby mózgu. Agenty zidentyfikowały nieoczekiwane różnice we wpływie dwóch genów związanych z chorobami na komórki mózgu, a także potencjalny związek między regulacją cholesterolu a neurodegeneracją. Te ustalenia mogą pomóc naukowcom zbadać, jak rozwijają się choroby i na jakich etapach mogłyby działać przyszłe terapie.

Badacze mogą zacząć zgłębiać te ustalenia już dziś. Atlas rozumowania jest dostępny⁠(otwiera nowe okno), dzięki czemu naukowcy mogą porównywać powiązane geny, badać nieoczekiwane reakcje i identyfikować obiecujące tropy do dalszych badań. Nowe odkrycia często rodzą się wtedy, gdy badacze z różnych dziedzin łączą swoją wiedzę i dostrzegają nieoczekiwane powiązania między znanymi koncepcjami. AI może znacznie zwiększyć skalę odkrywania takich powiązań, łącząc nowe dane z wiedzą rozproszoną w różnych dyscyplinach. Możliwości te wykraczają poza szybszą analizę danych. Łącząc AI z biologią eksperymentalną, wiedzą ekspertów i literaturą naukową, możemy pomóc naukowcom przekształcać większą część danych w hipotezy możliwe do sprawdzenia.

Niektóre z najciekawszych tropów w eksperymencie wykraczają poza zagadnienie, które naukowcy zamierzali zbadać. W zbiorze danych obejmującym tysiące perturbacji takie tropy łatwo przeoczyć.

Agenty zidentyfikowały nieoczekiwaną różnicę między Tsc1 a Tsc2 — dwoma genami, które wspólnie kontrolują mTOR, kluczowy regulator wzrostu, metabolizmu i starzenia się komórek. Zaburzenie funkcji któregokolwiek z tych genów wywoływało podobne skutki w kilku grupach neuronów. Jednak w móżdżku, który pomaga koordynować ruchy, zaburzenie funkcji Tsc2 zmieniało aktywność dziesiątek genów uczestniczących w komunikacji między neuronami, podczas gdy zaburzenie funkcji Tsc1 powodowało niewielkie zmiany.

Ta różnica może mieć znaczenie dla chorób człowieka. U osób ze stwardnieniem guzowatym nieprawidłowości w móżdżku są silnie powiązane z mutacjami TSC2. Choć leki zmniejszające aktywność mTOR mogą leczyć niektóre guzy mózgu i napady padaczkowe, łagodzenie związanych z tą chorobą trudności w uczeniu się i problemów z zachowaniem nadal stanowi wyzwanie. Agenty wskazały konkretną grupę neuronów i zmiany komórkowe warte zbadania: które z tych zmian mogłyby korygować istniejące leki, a które mogłyby wskazywać nowe podejścia do leczenia? Daje to badaczom bardziej konkretny zestaw pytań, na które mogą szukać odpowiedzi w laboratorium.

Czy pojedynczy agent, który otrzyma cały zbiór danych, poradzi sobie równie dobrze jak tysiące agentów pracujących równolegle? Sprawdziliśmy to, nie zmieniając modelu ani dostępnych zasobów. Wraz ze wzrostem obciążenia pracą pojedynczy agent przeszukiwał coraz mniej literatury. Przy największym obciążeniu cytował zaledwie 11 źródeł, podczas gdy agenty rozproszone przywoływały ich ponad 700. Eksperci również wyżej oceniali interpretacje agentów rozproszonych.

Naukowcy mają ograniczony czas i często skupiają się na najsilniejszych sygnałach w danych. Agenty rozproszone mogą pomóc zbadać szerszy zakres reakcji, w tym tych subtelnych lub nieoczekiwanych, i powiązać je z odpowiednią literaturą naukową. Równoległa praca agentów pozwala badać wiele perturbacji jednocześnie. Dzięki temu naukowcy mogą pełniej analizować wyniki eksperymentu i identyfikować obiecujące tropy, które w innym przypadku mogliby przeoczyć.

Odkrycie zyskuje na wartości, gdy wskazuje eksperyment, który warto przeprowadzić. Agenty znalazły taki trop w DCTN1 — genie, którego mutacje powodują zespół Perry’ego, chorobę neurodegeneracyjną o objawach przypominających chorobę Parkinsona.

DCTN1 uczestniczy w transporcie ładunków wewnątrz neuronów. W atlasie CRISPR całego mózgu zaburzenie funkcji Dctn1 zwiększało ekspresję genów biorących udział w syntezie cholesterolu. Agenty powiązały tę obserwację z badaniami sugerującymi, że problemy z transportem cholesterolu mogą skłaniać komórki do wytwarzania go w większych ilościach. Nasunęło to pytanie do zbadania w kolejnych eksperymentach: czy zaburzenie funkcji DCTN1 może zmieniać rozmieszczenie cholesterolu wewnątrz neuronów i czy zmiany te mogą przyczyniać się do neurodegeneracji? Jeśli tak, czy przywrócenie prawidłowego rozmieszczenia cholesterolu mogłoby pomóc chronić neurony?

Eksperci również uznali tę hipotezę za nowatorską, istotną i wartą dalszych badań. Ten przykład pokazuje, jak powiązanie nieoczekiwanego wyniku z istniejącą wiedzą może przekształcić trop w hipotezę, którą da się sprawdzić, a potencjalnie także wyznaczyć nowy kierunek leczenia choroby.

Naukowcy nadal odgrywają kluczową rolę w dokonywaniu odkryć. Odkrywając więcej obiecujących tropów, AI może pomagać badaczom wybierać pomysły warte dalszej pracy, planować eksperymenty i interpretować wyniki. Celem jest przekształcanie większej części informacji z eksperymentów biologicznych w wiedzę, która z czasem może pomóc wytyczać kierunki opracowywania lepszych leków.