Prezantimi i LifeSciBench
Një standard i shkruar dhe i shqyrtuar nga ekspertë, i bazuar në kërkimin real të shkencave të jetës
Sistemet e IA-së agjentike po bëhen gjithnjë e më të afta për të kryer detyra shkencore. Megjithatë, dobia e tyre për studiuesit e shkencave të jetës varet nga sa mirë përballojnë kompleksitetin e kërkimit real. Kjo punë rrallë ngjan me një pyetje të vetme për rikujtimin e një fakti ose me një problem të pastër parashikimi. Studiuesit interpretojnë prova të paplota, harmonizojnë gjetje kontradiktore, dizajnojnë eksperimente komplekse, zgjidhin probleme në analizat eksperimentale, vlerësojnë rrezikun translacional dhe vendosin çfarë të bëjnë më pas në kushte pasigurie.
Standardet aktuale të vlerësimit nuk i kapin plotësisht këto aftësi. Shumë vlerësime në shkencat e jetës përqendrohen në fusha të ngushta ose aftësi të izoluara, duke prodhuar pyetje me formate të strukturuara dhe përgjigje reference të qarta. Edhe pse të vlefshme, ato shpesh nuk vlerësojnë vërtet nëse një model mund të kontribuojë në gamën më të gjerë të punës kërkimore.
Ne krijuam LifeSciBench për të ndihmuar në mbylljen e këtij boshllëku. Çdo detyrë mbështetet në gjykimin e shkencëtarëve praktikues të jetës me trajnim në nivel Ph.D. dhe përvojë të drejtpërdrejtë në avancimin e programeve të zbulimit të barnave në bioteknologji dhe farmaceutikë.
LifeSciBench përfshin 750 detyra të hartuara nga ekspertë, që mbulojnë shtatë rrjedha pune dhe shtatë fusha biologjike.
1,062
Artefaktet e detyrës
173
Kontribuues shkencëtarë
19,020
Kriteret e rubrikës
453
Recensues ekspertë
Çfarë mat LifeSciBench
LifeSciBench mat nëse sistemet IA mund të mbështesin detyra realiste kërkimore në shkencat e jetës, jo vetëm t’u përgjigjen pyetjeve të biologjisë. Për të përcaktuar taksonominë e standardit, anketuam shkencëtarë praktikues të jetës për rrjedhat e punës që përdorin më shpesh në kërkimin e aplikuar. Më pas i grupuam përgjigjet e tyre në shtatë kategori të përsëritura: trajtimi i provave, analizat, dizajni dhe optimizimi, arsyetimi shkencor, validimi dhe operacionet, përkthimi dhe komunikimi shkencor.
Çdo detyrë është strukturuar si një kërkesë që një shkencëtar mund t’ia drejtojë një bashkëpunëtori me shumë njohuri: kërkesë shkencore, kontekst ose artefakte përkatëse dhe përgjigje e lirë. Rubrikat e shkruara nga ekspertët vlerësojnë nëse një model mund të japë përgjigjen e duhur për një problem specifik, me nivelin e duhur të hollësisë, arsyetimit, rezervave dhe formatimit që do të priste një shkencëtar.
LifeSciBench vlerëson arsyetimin shkencor bashkë me aftësitë praktike më pak të përcaktuara, të nevojshme për përdorim real shkencor. Detyrat e tij u kërkojnë modeleve të punojnë mbi probleme kërkimore realiste: të interpretojnë prova, të bëjnë gjykime të bazuara në fushë dhe të komunikojnë përfundime të dobishme për recensues ekspertë. Shumë detyra kërkojnë gjithashtu që modelet të trajtojnë pasigurinë dhe të arsyetojnë mbi skedarë të dhënash mbështetëse, jo të mbështeten vetëm te teksti i kërkesës.
Standardi është krijuar për të pasqyruar kompleksitetin e punës në shkencat e jetës. Në përgjithësi, 79% e detyrave kërkojnë disa hapa arsyetimi ose vendimmarrjeje, mesatarisht katër hapa për detyrë. LifeSciBench përfshin 1062 artefakte të bashkëngjitura, që përfshijnë figura, PDF, tabela, skedarë sekuencash, skedarë strukturorë ose kimikë dhe referenca web. Më shumë se gjysma e detyrave (53%) kërkojnë që modelet të interpretojnë ose sintetizojnë informacion nga të paktën një artefakt.
Detyrat u krijuan nga 173 shkencëtarë ekspertë në disiplina të ndryshme të shkencave të jetës. Çdo shkencëtar kishte trajnim në nivel Ph.D. dhe përvojë në industrinë bioteknologjike ose farmaceutike. Detyrat mund t’i nënshtroheshin aq cikleve të rishikimit sa nevojiteshin para pranimit, pa kufi të caktuar raundesh; detyrat e pranuara patën mesatarisht gjashtë cikle vetëdrejtuese rishikimi të automatizuar dhe përfunduan të paktën dy raunde recensimi nga ekspertë. Recensionet u mbështetën ose në një përgjigje të saktë të verifikueshme, ose në konsensus të fortë ekspertësh, me të paktën 90% pajtim mes recensuesve në fushën përkatëse. Ky proces ndihmoi të sigurohej që detyrat e pranuara të ishin të bazuara shkencërisht, mjaft të qarta për t’u vlerësuar dhe përfaqësuese të kërkimit të aplikuar.
Vlerësimi dhe zbërthimi i rubrikës
Detyrat e LifeSciBench vlerësohen me një rubrikë të hollësishme, specifike për detyrën, që e zbërthen përgjigjen e pritur në pretendime shkencore, llogaritje, vendime, justifikime e të tjera. Në gjithë standardin, rubrikat e zhvilluara nga ekspertët përfshijnë 19 020 kritere—mesatarisht 25 për detyrë—për të vlerësuar si saktësinë shkencore, ashtu edhe dobinë për vendimet kërkimore.
Ky dizajn pasqyron mënyrën si vlerësohet në praktikë puna shkencore: shumë detyra të shkencave të jetës nuk mund të vlerësohen vetëm duke kontrolluar përgjigjen përfundimtare. Një përgjigje mund të arrijë përfundimin e saktë në nivel të lartë, por prapë të gjykohet e paplotë nëse, për shembull, shpërfill një kufizim kyç të analizës ose nuk sjell paraprakisht një nuancë biologjike me pasoja të mëdha. Anasjelltas, një përgjigje e pjesshme mund të përmbajë arsyetim me cilësi të lartë edhe nëse nuk e zgjidh plotësisht detyrën.
Rubrikat e detajuara e kapin këtë nuancë. LifeSciBench vlerëson jo vetëm saktësinë e përgjigjes përfundimtare, por edhe nëse një model arrin te ajo në mënyrë shkencërisht të vlefshme dhe operacionalisht të dobishme.
Nxjerrja, pajtimi dhe auditimi i provave shkencore nga artikujt, shifrat, tabelat dhe regjistrat eksperimentalë.
Shembull i vlerësimit
We’re preparing for a Type B FDA meeting on AAV9-microDys-X, an AAV9-based micro-dystrophin gene therapy for Duchenne muscular dystrophy that expresses a 138 kDa construct from an MCK promoter, and we want a hard-nosed critique of whether our current package really supports accelerated approval on micro-dystrophin expression as a surrogate endpoint reasonably likely to predict clinical benefit.
Study context: open-label Phase 1b/2 in 12 ambulatory boys age 4–7 with confirmed DMD and out-of-frame rod-domain deletions. The package is:
- Pre-treatment vastus lateralis biopsies: 0–3% of healthy-control dystrophin by quantitative Western blot using MANEX1A against the N-terminal actin-binding domain.
- 12-week post-treatment contralateral vastus lateralis biopsies: mean micro-dystrophin 38% of healthy control (range 18–61%) by the same Western blot, normalized to total protein by Coomassie staining.
- Post-treatment immunofluorescence: sarcolemmal signal in 75–95% of fibers using a polyclonal anti-dystrophin C-terminal antibody.
- 48-week function: mean NSAA change +1.4 points from baseline versus −0.6 in an external published natural-history registry cohort (p = 0.03 by unpaired t-test).
- Safety: transient transaminitis in 8/12 patients managed with steroid taper; one resolved myocarditis; no deaths.
- Biodistribution/persistence: AAV9 vector genomes detectable in muscle at 12 weeks at a mean of 2.3 vector genomes per nucleus.
- Eligibility: no baseline anti-AAV9 neutralizing antibodies (titer <1:400) and no exon-44 deletions.
Please pressure-test this package item by item: where would FDA or a skeptical reviewer say the evidence, as presented, fails to support our conclusion, and what additional data, analyses, or design changes would be needed to close those gaps if possible? For anything not specified, assume what is known from other clinical-grade 138 kDa micro-dystrophin programs and relevant clinical trials through December 31, 2025 also applies.
Përgjigje e kandidatit
Përfundimi kryesor: Siç paraqitet, kjo paketë nuk është mjaft e fortë për të mbështetur miratim të përshpejtuar mbi shprehjen e mikro-distrofinës si pikë fundore surrogate që ka gjasa të arsyeshme të parashikojë përfitim klinik. Një recensues skeptik i FDA-së ka të ngjarë t’i shihte provat për biomarkerin, funksionin, qëndrueshmërinë, sigurinë dhe përgjithësueshmërinë si materialisht të pamjaftueshme.
Artikulli i paketës | Mënyra kryesore e dështimit | Çfarë do të nevojitej |
|---|---|---|
Kuantifikimi me Western blot | MANEX1A lidhet me një epitop N-terminal të përbashkët për distrofinën endogjene me gjatësi të plotë dhe transgjenin e mikro-distrofinës, prandaj testi nuk e dallon pastër transgjenin nga distrofina reziduale/revertante. Kuantifikimi i një mikro-distrofine 138 kDa kundrejt një standardi të shëndetshëm të distrofinës me gjatësi të plotë është gjithashtu i pavlefshëm. | Përdorni një standard rekombinant të mikro-distrofinës dhe një metodë ortogonale që dallon transgjenin nga distrofina endogjene, si spektrometria masive e synuar ose një test specifik për transgjen/epitop. |
Imunofluoreshenca | Antitrupi poliklonal C-terminal është pak i përshtatshëm, sepse konstruktit 138 kDa i mungon domeni C-terminal. Shumë pacientë me DMD kanë fibra revertante, dhe distrofina revertante mund të ruajë epitopet C-terminale. Fibrat revertante mund të zgjerohen klonalisht me moshën, duke paragjykuar sinjalin IF, sidomos te djemtë më të rritur në moshë. | Përsëritni IF-në me një antitrup kundër një epitopi të pranishëm në transgjen, por të munguar në distrofinën revertante. Kuantifikoni veçmas fibrat pozitive për transgjenin nga fibrat revertante. |
Vlefshmëria e pikës fundore surrogate | Paketa ngatërron sasinë e proteinës me funksionin klinik. “38% e masës së proteinës së kontrollit të shëndetshëm” nuk do të thotë 38% e funksionit normal të distrofinës, sepse mikro-distrofina është e shkurtuar strukturalisht. | Validoni empirikisht marrëdhënien midis përqindjes së masës së mikro-distrofinës, lokalizimit sarkolemal, rikthimit funksional në rrjedhë të poshtme dhe përfitimit klinik përpara se shprehja të trajtohet si pikë fundore surrogate. |
Dizajni i biopsisë | Biopsitë para dhe pas trajtimit në vastus lateralis kontralateral sjellin variabilitet majtas-djathtas dhe hapësinor intramuskular. Përparimi i sëmundjes dhe zëvendësimi fibro-yndyror mund të ndryshojnë gjithashtu sinjalin e normalizuar ndaj proteinës totale. | Standardizoni vendin e biopsisë duke përdorur pika anatomike të qëndrueshme, normalizoni ndaj proteinave specifike të muskulit dhe matni paralelisht përbërjen fibro-yndyrore. |
Krahasuesi/statistikat NSAA | Një kohortë e jashtme e historisë natyrore nuk është kontroll i rastësuar bashkëkohor. Përshtatshmëria për provën, kujdesi mbështetës, efektet e pjesëmarrjes, NSAA bazë, regjimi me steroide, mosha dhe klasa e ekzonit mund ta paragjykojnë krahasimin. Një t-test i paçiftuar nuk është i mjaftueshëm. Gjithashtu, një ndryshim +1.4 NSAA është brenda variabilitetit testim-ritestim për këtë grupmoshë. | Kryeni një studim të rastësishëm, bashkëkohor, të kontrolluar me placebo ose të paktën përdorni analiza të rregulluara që marrin parasysh NSAA-në bazë, moshën, regjimin me steroide, klasën e ekzonit dhe ngatërrues të tjerë. |
Ngatërrim nga dritarja e moshës | Djemtë 4–7 vjeç janë në një dritare zhvillimore ku pacientët ambulantë DMD të patrajtuar mund të fitojnë funksion motorik para se të dominojë rënia. Një ndryshim i NSAA-së 48-javore përzien fitimin zhvillimor, përparimin e sëmundjes dhe efektin e mundshëm të trajtimit. | Përdorni një kontroll të rastësishëm bashkëkohor me stratifikim sipas moshës për të ndarë trajektoren zhvillimore nga efekti i trajtimit. |
Precedenti i mëparshëm klinik | Sinjalet funksionale të hapura për mikro-distrofinën nuk kanë parashikuar në mënyrë të besueshme përfitim konfirmues; precedenti i publikuar përfshin prova konfirmuese të terapisë gjenike me mikro-distrofinë që nuk arritën të riprodhonin përmirësimet e NSAA-së së hapur. | Ndryshimi i NSAA-së së hapur të mos merret si mbështetje vendimtare. Kërkoni prova funksionale të kontrolluara. |
Kufijtë strukturorë të konstruktit | Konstrukti 138 kDa fshin përsëritjet e spektrinës R16/17, që përmbajnë vende lidhëse nNOS. Humbja e rekrutimit të nNOS mund të dëmtojë simpatolizën funksionale dhe mbrojtjen nga ishemia gjatë ushtrimit, duke krijuar një tavan mekanistik për shpëtimin pavarësisht nivelit të shprehjes. | Shtoni studime mekanistike që tregojnë nëse ky konstrukt specifik rikthen funksionin përkatës të kompleksit të lidhur me distrofinën, lokalizimin e nNOS, fiziologjinë e ushtrimit dhe mbrojtjen e muskulit. |
Qëndrueshmëria e AAV-së | Gjenomet vektoriale në 12 javë nuk vendosin shprehje të qëndrueshme. Gjenomet AAV9 janë kryesisht epizome jointegruese dhe mund të bien me kohën. Persistenca e gjenomit vektorial nuk është e njëjtë me shprehjen e qëndrueshme të proteinës. | Matni shprehjen longitudinale të proteinës transgjenike dhe qëndrueshmërinë e biomarkerëve funksionalë përtej 12 javëve. |
Profili imunitar/i sigurisë | Transaminiti në 8 nga 12 pacientë është në përputhje me përgjigje imunitare ndaj qelizave të transduktuara me AAV, por mekanizmi nuk është vendosur. Një rast miokarditi është shqetësues duke pasur parasysh tropizmin kardiak të AAV9-ës. | Ofroni monitorim imunitar më të thellë, karakterizim të sigurisë hepatike/kardiake dhe ndjekje kardiake të intensifikuar. |
Përzgjedhja e pacientëve/përgjithësueshmëria | Përjashtimi i pacientëve pozitivë për antitrupa neutralizues anti-AAV9 kufizon përgjithësueshmërinë. Përjashtimi i fshirjeve të ekzonit 44 kufizon zbatueshmërinë për atë nëngrup DMD. n=12 është shumë i vogël për të karakterizuar sigurinë dhe efikasitetin në popullatën më të gjerë DMD. | Zgjeroni përshtatshmërinë ku është e mundur ose paracaktoni analiza të stratifikura sipas statusit të antitrupave, gjenotipit/klasës së ekzonit, moshës dhe funksionit bazë përpara se rezultati të përdoret për të mbështetur miratim të gjerë. |
Përfundim rregullator: Paketa mund të tregojë aktivitet biologjik, por ende nuk vendos se shprehja e matur e mikro-distrofinës është një surrogat i besueshëm me gjasa të arsyeshme për të parashikuar përfitim klinik. Hendekët kryesorë janë specifika e testit, standardet e pavlefshme të kuantifikimit, ngatërrimi i mundshëm nga fibrat revertante, mungesa e kontrollit të rastësishëm, ngatërrimi i NSAA-së i lidhur me moshën, qëndrueshmëria e pasigurt dhe çështjet e pazgjidhura të sigurisë/përgjithësueshmërisë.
Për të mbyllur hendekun, programit do t’i duhej një dizajn klinik i kontrolluar dhe i stratifikur sipas moshës, me teste shprehjeje specifike për transgjenin, kuantifikimin ortogonal të proteinës, kontrollet e përbërjes së indit, të dhënat longitudinale të qëndrueshmërisë, testet funksionale mekanistike për konstruktin e shkurtuar dhe monitorimin më të fortë të sigurisë, sidomos hepatik dhe kardiak.
Kriteret e vlerësimit dhe notat
Validimi i LifeSciBench
Ne e validuam LifeSciBench përmes një recensimi të pavarur nga ekspertë. Komentet erdhën nga 453 recensues që nuk kishin marrë pjesë në shkrimin e detyrave. Nga këta recensues, 97% kishin Ph.D. ose doktoratë ekuivalente, me mesatarisht 12 vjet përvojë në fushë dhe 14 botime të recensuara; 88% raportuan se kishin marrë të paktën një çmim ose grant kërkimor.
Recensuesit vlerësuan nëse çdo detyrë pasqyronte cilësitë e nevojshme për një pyetje të fortë standardi: përputhje me punën reale kërkimore, testim të përshtatshëm të arsyetimit shkencor dhe ekspertizës së fushës, mbështetje në prova ose konsensus ekspertësh dhe dobishmëri të përgjithshme për vlerësimin e performancës së modelit. Pajtimi tejkaloi 96% në çdo kategori.
Komentet e recensuesve përforcuan vlerësimet sasiore:
Rezultatet
Ne raportojmë dy metrika plotësuese. Norma e suksesit është përqindja e detyrave ku një model përmbush pragun e suksesit në nivel detyre prej 70%. Rezultati është shpërblimi mesatar i rubrikës, që jep kredit të pjesshëm për kritere individuale edhe kur detyra e plotë nuk zgjidhet. Të dyja kanë rëndësi, sepse një përgjigje ndaj një detyre shkencore mund të jetë pjesërisht e saktë ose e dobishme pa plotësuar çdo kërkesë për një përgjigje të plotë.
Performanca e modelit ndryshon ndjeshëm sipas tipit të detyrës, rrjedhës së punës dhe formatit të përgjigjes.
Ku sistemet IA tregojnë forcë të hershme
LifeSciBench tregon se modelet avangardë janë relativisht më të suksesshme në detyra që përfshijnë sintezë shkencore, komunikim dhe interpretim të strukturuar. Normat absolute të suksesit mbeten modeste, ndaj këto fusha të standardit janë ende larg saturimit, por GPT‑Rosalind tregon përparim domethënës ndaj GPT‑5.5, duke rritur normën e përgjithshme të suksesit nga 25,7% në 36,1%.
Drejtimet më të forta të përparimit në aftësitë e modeleve shfaqen në Komunikimin Shkencor dhe Përkthimin. Për shembull, norma e suksesit në Komunikimin Shkencor rritet nga 56,3% për GPT‑5.5 në 71,1% për GPT‑Rosalind; kjo kategori është e vogël (n=9), ndaj duhet interpretuar me kujdes, por sugjeron se modelet avangardë po përmirësohen shpejt në aftësinë për të organizuar prova dhe për të prodhuar shpjegime bindëse për ekspertë. Përkthimi (procesi “nga laboratori te shtrati i pacientit” në zhvillimin e barnave) tregon një prirje të ngjashme, duke u rritur nga 36,8% për GPT‑5.5 në 57,7% për GPT‑Rosalind, çka sugjeron se modelet po përmirësohen shpejt në aftësinë për të lidhur provat paraklinike me implikimet klinike.
Rezultatet në nivel rubrike tregojnë të njëjtin drejtim. Në detyrat që kërkojnë rezultate të dobishme për ekspertë ose të zbatueshme, GPT‑Rosalind shënon 44,7%, krahasuar me 29,1% për GPT‑5.5. Në detyrat që kërkojnë trajtim të pasigurisë dhe të rezervave, ai shënon 44,8%, krahasuar me 29,3%. Ky model sugjeron se modelet janë më të dobishme kur detyra ka kufi të qartë provash dhe kërkon gjykim shkencor të strukturuar.
GPT‑Rosalind udhëheq performancën në detyra me vlerë shkencore të identifikuara nga ekspertë të industrisë dhe akademisë.
GPT‑Rosalind udhëheq performancën në detyra me vlerë shkencore të identifikuara nga ekspertë të industrisë dhe akademisë.
GPT‑Rosalind udhëheq performancën në detyra me vlerë shkencore të identifikuara nga ekspertë të industrisë dhe akademisë.
Ku sistemet IA ende mbeten prapa
Performanca mbetet shumë më e dobët në punën shkencore të ngarkuar me artefakte, të orientuar nga dizajni dhe të kufizuar operacionalisht. Konkretisht, Dizajni, Optimizimi dhe Parashikimi mbetet një nga rrjedhat më të vështira të punës, me normë kalimi të GPT‑Rosalind prej 30,7%; Analiza është po aq e vështirë, me 30,3%.
Përdorimi i artefakteve është një boshllëk veçanërisht i qartë. Edhe pse GPT‑Rosalind ka performancë më të mirë se GPT‑5.5 në mjedise me shumë artefakte, norma e suksesit ende bie nga 45,1% në detyra vetëm me tekst në 28,1% në detyra me artefakte ose URL. GPT‑5.5 tregon të njëjtën tendencë, duke rënë nga 29,9% në 21,9%. Një analizë më e hollësishme konfirmon se modelet avangardë kanë vështirësi në nxjerrjen e informacionit nga figura komplekse ose skedarë të mëdhenj sekuencash dhe në integrimin e këtij informacioni në përgjigjen përfundimtare.
Normat e suksesit bien kur detyrat kërkojnë arsyetim të mbështetur në burime ose punë me artefakte
Edhe formati i përgjigjes ka rëndësi. Detyrat që kërkojnë rezultate të sakta në nivel sekuence, strukture ose konstrukti kanë norma më të ulëta suksesi: GPT‑Rosalind arrin vetëm 14,8% në detyrat numerike dhe 24,0% në daljet me sekuencë ose strukturë. Detyrat e gjenerimit të konstrukteve janë gjithashtu të brishta, me GPT‑Rosalind në 27,3% dhe me pak përmirësim ndaj GPT‑5.5. Një pjesë e këtij boshllëku mund të pasqyrojë një sipërfaqe më të rreptë vlerësimi për detyrat me përgjigje të saktë, ku dallime të vogla në llogaritje ose formatim mund ta çojnë një përgjigje nën pragun e suksesit. Megjithatë, këto dështime kanë kuptim shkencor, sepse shumë rrjedha pune në shkencat e jetës kërkojnë dalje mjaft të sakta për përdorim të drejtpërdrejtë, si p.sh. në dizajnin e donorëve CRISPR/HDR ose të siRNA.
Modelet gjithashtu shpesh arrijnë pjesërisht deri te zgjidhja pa e zgjidhur plotësisht detyrën. Në rreth 14% të detyrave, modelet fituan pikë të konsiderueshme sipas rubrikës pavarësisht se nuk arritën pragun e suksesit. Për GPT‑Rosalind, 109 detyra kishin norma suksesi nën 20%, por prapë fituan të paktën 50% të vlerësimit sipas rubrikës. Në praktikë, kjo do të thotë se modelet mund të identifikojnë prova përkatëse ose të prodhojnë një përgjigje të pjesshme të besueshme, por prapë dështojnë sepse humbin një kufizim kyç, përdorin prova të gabuara, bëjnë një llogaritje të paplotë ose nuk e lidhin arsyetimin me një vendim përfundimtar shkencërisht të dobishëm.
Kufizimet dhe çfarë vjen më pas
LifeSciBench është një hap drejt matjes së dobisë së sistemeve të IA-së për kërkimin në shkencat e jetës, por nuk zëvendëson studimin e modeleve në mjedise kërkimore reale. Standardi përqendrohet në detyra të vetëpërfunduara që pasqyrojnë rrjedha pune të përsëritura në industri, ndërsa shumë specialitete shkencore dhe lloje detyrash mbeten jashtë fushës së tij aktuale. Kërkimi real është iterativ: shkencëtarët mbledhin prova të reja, rishikojnë hipotezat, dizajnojnë eksperimente pasuese dhe përshtatin planet ndërsa shfaqen rezultatet.
Prandaj, performanca e fortë në LifeSciBench duhet interpretuar si provë e aftësisë realiste në nivel detyre, jo si matje e drejtpërdrejtë e ndikimit kërkimor pasues. Standardi mbështetet në rrjedha pune të industrisë, por nuk kap gjithë shumëllojshmërinë ose dinamikën e programeve kërkimore të gjalla, ku përparimi varet nga faktorë që zhvillohen me kalimin e kohës.
Hapi tjetër është lidhja e performancës në benchmark me studime implementimi në rrjedha pune kërkimore reale. Edhe pse LifeSciBench u zhvillua me shkencëtarë praktikues, matja nëse sistemet e IA-së përshpejtojnë zbulimin ose përmirësojnë rezultatet e K&Zh-së do të kërkojë studimin e përdorimit dhe performancës së modeleve në mjedise reale kërkimore, në horizonte më të gjata dhe në disa raunde arsyetimi, reagimi dhe ndjekjeje eksperimentale.
