Tisuće AI agenata analizirale su postojeće eksperimentalne podatke iz milijuna stanica mišjeg mozga u 32 minute, u projektu OpenAI-ja, PerturbAI-ja i Scripps Researcha. Sustav nije izveo novi biološki eksperiment niti dokazao novu terapiju. Njegov zadatak bio je pronaći zanimljive obrasce i istraživačke tragove koje ljudi mogu dalje provjeravati.
Jedan veliki skup podataka podijeljen je među tisuće agenata
Istraživači su koristili whole-brain CRISPR atlas, skup podataka koji pokazuje kako poremećaji pojedinih gena utječu na različite tipove stanica u mišjem mozgu.
Umjesto da jedan model pokušava analizirati sve odjednom, posao je podijeljen između tisuća agenata temeljenih na sustavu GPT-Rosalind. Svaki agent obrađivao je određeni genski poremećaj, analizirao odgovor stanica, pretraživao znanstvenu literaturu i predlagao moguće objašnjenje.
Rezultati su zatim objedinjeni u atlas koji povezuje gene, promjene u stanicama, relevantnu literaturu i moguće biološke mehanizme.
Tim procjenjuje da bi ljudima sličan posao trajao mjesecima
Prema procjeni istraživačkog tima, usporediva analiza i pregled literature, kada bi se svaki poremećaj obrađivao zasebno, mogli bi trajati od nekoliko mjeseci do godine dana.
AI agenti nisu samo ponovili dio nalaza koje su znanstvenici već imali. Tim navodi da su izdvojili i dodatne veze koje su slijepim postupkom ocjenjivali ljudski stručnjaci. Procjene novosti i znanstvene vrijednosti u značajnoj su se mjeri poklapale s ljudskim ocjenama.
Jedan trag uključuje gene Tsc1 i Tsc2
Među izdvojenim primjerima je razlika u učinku gena Tsc1 i Tsc2, koji su povezani s regulacijom mTOR sustava važnog za rast stanica, metabolizam i starenje.
Poremećaji tih gena imali su slične učinke u više skupina neurona, ali je u malom mozgu poremećaj Tsc2 mijenjao aktivnost desetaka gena povezanih s komunikacijom neurona, dok je učinak Tsc1 bio znatno manji.
Takav nalaz nije dokaz mehanizma bolesti. On znanstvenicima govori gdje bi se mogao isplatiti sljedeći eksperiment.
Prednost nije samo brzina, nego širina pretrage
Kada jedan istraživač ili jedan model obrađuje vrlo velik skup podataka, lako je fokusirati se na glavnu hipotezu i propustiti sporedni signal.
Distribuirani pristup omogućuje da se veliki broj manjih pitanja obrađuje istodobno. OpenAI navodi da su pri najvećem opterećenju distribuirani agenti citirali više od 700 znanstvenih izvora, nasuprot 11 kod usporednog single-agent pristupa, a stručnjaci su distribuirane izvještaje preferirali u 75 posto usporedbi.
To još nije automatizirana znanost
Najvažnije ograničenje jest da AI ovdje radi nad već postojećim eksperimentalnim podacima. Može predlagati veze i hipoteze, ali ne može zamijeniti novi laboratorijski eksperiment koji treba pokazati jesu li te veze stvarne i biološki važne.
Rad je objavljen kao preprint, pa rezultate treba promatrati kao istraživački korak, a ne kao završenu znanstvenu potvrdu.
Zašto je ovo zanimljivo i izvan biologije
Model “tisuće agenata, tisuće paralelnih malih analiza” mogao bi biti važan za discipline u kojima problem nije nedostatak podataka nego njihova količina.
Ako se pokaže pouzdanim, takav pristup može promijeniti način na koji se pretražuju veliki znanstveni skupovi podataka.
