Tusentals AI-agenter hittar nya spår i biologiska data
Så använde OpenAI, PerturbAI och Scripps Research distribuerade AI-agenter för att hjälpa forskare att hitta lovande forskningsspår i data från miljontals hjärnceller
Se hur OpenAI, PerturbAI och Scripps Research använde tusentals AI-agenter parallellt för att hitta lovande biologiska samband i komplexa data från miljontals hjärnceller.
Video: PerturbAI.
Tänk om forskare kunde hitta nya ledtrådar om Alzheimers och Parkinsons sjukdom på minuter i stället för månader? I ett samarbete använde OpenAI, PerturbAI(öppnas i ett nytt fönster) och Scripps Research(öppnas i ett nytt fönster) tusentals AI-agenter som drivs av GPT‑Rosalind(öppnas i ett nytt fönster) för att analysera och tolka befintliga experimentella data från miljontals hjärnceller från möss(öppnas i ett nytt fönster) på bara 32 minuter. Agenterna kopplade effekterna av störningar i genfunktion till fynd i den vetenskapliga litteraturen och upptäckte oväntade biologiska samband som kan hjälpa forskare att förstå sjukdomar och hitta forskningsspår för nya behandlingar. Arbetet visar hur AI kan hjälpa forskare att utforska mer av det som stora biologiska experiment avslöjar.
Moderna experiment genererar långt mer data än forskare hinner undersöka grundligt. Forskare kan nu förändra tusentals gener och mäta effekterna i miljontals celler. Men för att förstå vad resultaten betyder för sjukdomar hos människor måste komplexa experimentella fynd kopplas till årtionden av spridd vetenskaplig kunskap. Här kan AI hjälpa forskare att hitta lovande spår som annars skulle kunna förbises.
”Vi bygger cellatlaser för att andra forskare ska kunna göra upptäckter som vi ännu inte har föreställt oss. AI skulle kunna hjälpa fler forskare att utforska dessa resurser och omvandla oväntade observationer till nya frågeställningar att pröva.”
Teamet fördelade analysen mellan tusentals AI-agenter som drivs av GPT‑Rosalind, ett arbetssätt som vi kallar distribuerat biologiskt resonemang. Agenterna undersökte en CRISPR-atlas över hela hjärnan(öppnas i ett nytt fönster), en datamängd som visar hur störningar i genfunktion påverkar olika celltyper i hela mushjärnan. Varje agent undersökte en störning i genfunktion, analyserade cellernas reaktioner, sökte i vetenskaplig litteratur och föreslog förklaringar till resultaten. Deras rapporter sammanställdes till en resonemangsatlas som kopplar samman gener, effekter på celler, relevanta publikationer och möjliga biologiska mekanismer.
Forskarteamet uppskattade att motsvarande analys och litteraturgenomgång utförd av människor, en perturbation i taget, skulle ta flera månader till ett år. Agenterna återskapade fynd från mänskliga analyser och hittade samtidigt ytterligare spår. Deras bedömningar av nyhetsvärde och vetenskapligt värde stämde också överens med bedömningar från mänskliga experter i blindade utvärderingar. Dessa fynd hjälper till att prioritera de ytterligare experiment som behövs för att testa de föreslagna biologiska mekanismerna.
Vissa av dessa insikter pekar mot nya spår för att förstå hjärnsjukdomar. Agenterna identifierade oväntade skillnader i hur två sjukdomskopplade gener påverkar hjärnceller, samt en möjlig koppling mellan kolesterolreglering och neurodegeneration. Dessa fynd skulle kunna hjälpa forskare att undersöka hur sjukdomar utvecklas och var i förloppet framtida behandlingar skulle kunna sättas in.
”Ibland finns ledtrådarna redan där, spridda över olika områden – vi har bara inte kopplat ihop dem. Den möjliga kopplingen mellan nervcellernas funktion och kolesterolomsättningen visar hur dessa pusselbitar, när de väl sätts samman, kan ge oss ett nytt sätt att se på biologin bakom sjukdomar.”
Forskare kan börja utforska fynden redan i dag. Resonemangsatlasen finns tillgänglig(öppnas i ett nytt fönster), så att forskare kan jämföra besläktade gener, undersöka oväntade reaktioner och hitta lovande spår att gå vidare med. Nya upptäckter uppstår ofta när forskare från olika områden förenar sin expertis och kopplar samman välbekanta idéer på oväntade sätt. AI kan skapa sådana kopplingar i mycket större skala genom att länka nya data till kunskap som finns spridd över olika discipliner. Möjligheterna sträcker sig längre än till snabbare dataanalys. Genom att kombinera AI med experimentell biologi, mänsklig expertis och vetenskaplig litteratur kan vi hjälpa forskare att omvandla mer av sina data till testbara idéer.
Några av de mest intressanta ledtrådarna i ett experiment ligger utanför det som forskarna ursprungligen ville undersöka. I en datamängd som omfattar tusentals perturbationer kan dessa ledtrådar lätt förbises.
Agenterna identifierade en oväntad skillnad mellan Tsc1 och Tsc2, två gener som tillsammans styr mTOR, en central regulator av celltillväxt, ämnesomsättning och åldrande. Att störa funktionen hos den ena eller den andra genen gav liknande effekter i flera grupper av nervceller. Men i lillhjärnan, som hjälper till att samordna rörelser, förändrade störningar av Tsc2 aktiviteten hos tiotals gener som medverkar i nervcellernas kommunikation, medan störningar av Tsc1 gav liten förändring.
Den skillnaden kan ha betydelse för sjukdomar hos människor. Hos personer med tuberös skleros är avvikelser i lillhjärnan starkt kopplade till mutationer i TSC2. Läkemedel som minskar mTOR-aktiviteten kan behandla vissa hjärntumörer och krampanfall, men inlärnings- och beteendesvårigheter kopplade till sjukdomen är fortfarande svåra att behandla. Agenterna pekade ut en specifik grupp nervceller och cellförändringar som är värda att undersöka: vilka förändringar skulle befintliga läkemedel kunna korrigera, och vilka skulle kunna peka mot nya behandlingsmetoder? Det ger forskare mer konkreta frågeställningar att pröva i laboratoriet.
Skulle en enda agent med tillgång till hela datamängden kunna prestera lika bra som tusentals agenter som arbetar parallellt? Vi testade detta med samma modell och oförändrade resurser. När arbetsmängden ökade sökte den enskilda agenten igenom en allt mindre del av litteraturen. Vid den största arbetsmängden hänvisade den till endast 11 referenser, medan de distribuerade agenterna hänvisade till fler än 700. Även mänskliga experter föredrog de distribuerade agenternas tolkningar.
Forskare har begränsat med tid och fokuserar ofta på de starkaste signalerna i sina data. Distribuerade agenter kan hjälpa till att undersöka ett bredare spektrum av reaktioner, även subtila eller oväntade sådana, och koppla dem till relevant vetenskaplig litteratur. Genom att köra agenterna parallellt kan många perturbationer undersökas samtidigt. Det hjälper forskare att utforska mer av informationen i ett experiment och hitta lovande spår som annars skulle kunna förbises.
Vid den största arbetsmängden hänvisade de distribuerade agenterna till fler än 700 referenser, jämfört med 11 för en enskild agent.
Ett fynd blir mer värdefullt när det pekar mot ett experiment som är värt att genomföra. Agenterna hittade ett sådant spår i DCTN1, en gen där mutationer orsakar Perrys syndrom, en neurodegenerativ sjukdom med Parkinsonliknande symtom.
DCTN1 medverkar i transporten av material inuti nervceller. I CRISPR-atlasen över hela hjärnan ledde störningar av Dctn1 till ökat uttryck av gener som medverkar i bildningen av kolesterol. Agenterna kopplade denna observation till forskning som tyder på att problem med kolesteroltransporten kan få celler att bilda mer kolesterol. Detta väckte en fråga för uppföljande experiment: kan störningar av DCTN1 förändra hur kolesterol fördelas inuti nervceller, och kan dessa förändringar bidra till neurodegeneration? Skulle i så fall en återställd normal kolesterolfördelning kunna bidra till att skydda nervcellerna?
Även mänskliga experter ansåg att hypotesen var ny, betydelsefull och värd att följa upp. Exemplet visar hur en koppling mellan ett oväntat resultat och befintlig kunskap kan förvandla en ledtråd till en testbar idé – och potentiellt en ny väg för att behandla sjukdom.
I blindade jämförelser föredrog mänskliga experter rapporter från distribuerade agenter framför rapporter från en enskild agent i 75 % av fallen.
Forskarna har fortfarande den centrala rollen i att göra nya upptäckter. Genom att hitta fler lovande spår kan AI hjälpa forskare att välja vilka idéer de ska gå vidare med, utforma experiment och tolka resultat. Målet är att omvandla mer av informationen i biologiska experiment till kunskap som på sikt kan vägleda utvecklingen av bättre läkemedel.
