Milhares de agentes de IA revelam novas pistas em dados biológicos
Como OpenAI, PerturbAI e Scripps Research usaram agentes de IA distribuídos para ajudar cientistas a identificar pistas promissoras de pesquisa em dados de milhões de células cerebrais
Veja como OpenAI, PerturbAI e Scripps Research usaram milhares de agentes de IA em paralelo para identificar conexões biológicas promissoras em dados complexos de milhões de células cerebrais.
Crédito do vídeo: PerturbAI.
E se os cientistas pudessem descobrir novas pistas sobre Alzheimer e Parkinson em minutos, em vez de meses? Em conjunto, a OpenAI, a PerturbAI(abre em uma nova janela) e o Scripps Research(abre em uma nova janela) usaram milhares de agentes de IA com tecnologia GPT‑Rosalind(abre em uma nova janela) para analisar e interpretar dados experimentais existentes de milhões de células cerebrais de camundongos(abre em uma nova janela) em apenas 32 minutos. Os agentes relacionaram os efeitos da inativação de genes a achados da literatura científica, revelando conexões biológicas inesperadas que podem ajudar cientistas a entender doenças e identificar caminhos de pesquisa para novos tratamentos. O trabalho mostra como a IA pode ajudar pesquisadores a explorar mais do que os grandes experimentos biológicos revelam.
Os experimentos modernos geram muito mais dados do que os cientistas conseguem investigar a fundo. Hoje, pesquisadores conseguem alterar milhares de genes e medir seus efeitos em milhões de células. Mas entender o que esses resultados significam para as doenças humanas exige relacionar achados experimentais complexos a décadas de conhecimento científico disperso. É aí que a IA pode ajudar cientistas a descobrir pistas promissoras que poderiam passar despercebidas.
"Criamos atlas celulares para que outros cientistas possam fazer descobertas que ainda nem imaginamos. A IA poderia ajudar mais pesquisadores a explorar esses recursos e transformar observações inesperadas em novas questões a serem testadas."
A equipe dividiu a análise entre milhares de agentes de IA com tecnologia GPT‑Rosalind, uma abordagem que chamamos de raciocínio biológico distribuído. Os agentes examinaram um atlas CRISPR de todo o cérebro(abre em uma nova janela), um conjunto de dados que mostra como a inativação de genes afeta diferentes tipos de células em todo o cérebro de camundongos. Cada agente investigou a inativação de um gene, analisou respostas celulares, consultou a literatura científica e propôs explicações para os resultados. Seus relatórios foram reunidos em um atlas de raciocínio que relaciona genes, efeitos celulares, publicações relevantes e possíveis mecanismos biológicos.
A equipe de pesquisa estimou que uma análise e revisão da literatura equivalentes, realizadas por humanos com foco em uma perturbação por vez, levariam de meses a um ano. Os agentes reproduziram achados de análises humanas e, ao mesmo tempo, descobriram pistas adicionais. Suas avaliações de originalidade e valor científico também se alinharam às de especialistas humanos que não sabiam a origem dos relatórios. Esses achados ajudam a priorizar os experimentos adicionais necessários para testar os mecanismos biológicos propostos.
Algumas dessas descobertas apontam novas pistas para entender doenças cerebrais. Os agentes identificaram diferenças inesperadas nos efeitos de dois genes associados a doenças sobre as células cerebrais, além de uma possível conexão entre a regulação do colesterol e a neurodegeneração. Esses achados podem ajudar cientistas a investigar como as doenças se desenvolvem e em quais processos futuros tratamentos poderiam atuar.
"Às vezes, as pistas já estão lá, espalhadas por diferentes áreas — nós só ainda não as conectamos. A possível ligação entre a função neuronal e o metabolismo do colesterol mostra como essas peças, quando reunidas, podem nos oferecer uma nova maneira de pensar sobre a biologia das doenças."
Pesquisadores já podem começar a explorar esses achados. O atlas de raciocínio está disponível(abre em uma nova janela), permitindo que cientistas comparem genes relacionados, investiguem respostas inesperadas e identifiquem pistas promissoras para aprofundar. Novas descobertas costumam surgir quando pesquisadores de diferentes áreas reúnem seus conhecimentos e relacionam ideias conhecidas de maneiras inesperadas. A IA pode ampliar significativamente essas conexões ao relacionar novos dados ao conhecimento disperso em diversas disciplinas. A oportunidade vai além de analisar dados mais rápido. Ao combinar IA com biologia experimental, conhecimento especializado humano e literatura científica, podemos ajudar cientistas a transformar mais dados em ideias testáveis.
Algumas das pistas mais interessantes de um experimento estão fora do que os cientistas se propuseram a investigar. Em um conjunto de dados que abrange milhares de perturbações, essas pistas podem facilmente passar despercebidas.
Os agentes identificaram uma diferença inesperada entre Tsc1 e Tsc2, dois genes que trabalham juntos para controlar mTOR, um importante regulador do crescimento celular, do metabolismo e do envelhecimento. A inativação de qualquer um dos genes teve efeitos semelhantes em vários grupos de neurônios. Mas, no cerebelo, que ajuda a coordenar os movimentos, a inativação de Tsc2 alterou a atividade de dezenas de genes envolvidos na comunicação neuronal, enquanto a inativação de Tsc1 produziu poucas mudanças.
Essa diferença pode ser relevante para as doenças humanas. Em pessoas com esclerose tuberosa, anormalidades no cerebelo estão fortemente associadas a mutações em TSC2. Embora medicamentos que reduzem a atividade de mTOR possam tratar certos tumores cerebrais e convulsões, lidar com as dificuldades de aprendizagem e de comportamento associadas à doença continua sendo um desafio. Os agentes identificaram com precisão um grupo específico de neurônios e alterações celulares que merecem investigação: quais alterações os medicamentos existentes poderiam corrigir e quais poderiam apontar para novas abordagens de tratamento? Isso oferece aos pesquisadores um conjunto mais específico de questões para testar no laboratório.
Um único agente com acesso ao conjunto de dados completo poderia ter um desempenho tão bom quanto milhares de agentes trabalhando em paralelo? Testamos essa possibilidade mantendo o mesmo modelo e os mesmos recursos. À medida que a carga de trabalho aumentava, o agente único consultava menos fontes na literatura, citando apenas 11 referências na maior carga de trabalho, enquanto os agentes distribuídos citaram mais de 700 referências. Especialistas humanos também preferiram as interpretações dos agentes distribuídos.
Os cientistas têm tempo limitado e costumam se concentrar nos sinais mais fortes de seus dados. Agentes distribuídos podem ajudar a examinar uma variedade maior de respostas, incluindo as sutis ou inesperadas, e relacioná-las à literatura científica pertinente. Executar os agentes em paralelo permite investigar muitas perturbações ao mesmo tempo. Isso ajuda os cientistas a explorar mais informações de um experimento e a identificar pistas promissoras que poderiam passar despercebidas.
Na maior carga de trabalho, os agentes distribuídos citaram mais de 700 referências, em comparação com 11 de um único agente.
Um achado se torna mais valioso quando aponta para um experimento que vale a pena realizar. Os agentes encontraram uma dessas pistas em DCTN1, um gene cujas mutações causam a síndrome de Perry, uma doença neurodegenerativa com sintomas semelhantes aos do Parkinson.
DCTN1 participa do transporte de cargas dentro dos neurônios. No atlas CRISPR de todo o cérebro, a inativação de Dctn1 aumentou a expressão de genes envolvidos na produção de colesterol. Os agentes relacionaram essa observação a pesquisas que sugerem que problemas no transporte de colesterol podem levar as células a produzir mais colesterol. Isso levantou uma questão para experimentos futuros: a inativação de DCTN1 poderia alterar a distribuição do colesterol dentro dos neurônios, e essas mudanças poderiam contribuir para a neurodegeneração? Se sim, restaurar a distribuição normal do colesterol poderia ajudar a proteger os neurônios?
Especialistas humanos também consideraram essa hipótese nova, relevante e digna de investigação adicional. Esse exemplo mostra como relacionar um resultado inesperado ao conhecimento existente pode transformar uma pista em uma ideia testável e, potencialmente, em um novo caminho para o tratamento de doenças.
Em comparações às cegas, especialistas humanos preferiram os relatórios dos agentes distribuídos aos de um único agente em 75% dos casos.
Os cientistas continuam no centro das descobertas. Ao revelar mais pistas promissoras, a IA pode ajudar pesquisadores a decidir quais ideias investigar, planejar experimentos e interpretar resultados. O objetivo é transformar mais informações dos experimentos biológicos em conhecimento que, com o tempo, possa ajudar a orientar o desenvolvimento de medicamentos melhores.
