OpenAI, PerturbAI és a Scripps Research közösen egy olyan megközelítést mutattak be, amelyben több ezer, GPT‑Rosalind által működtetett mesterséges intelligencia‑ügynök dolgozott párhuzamosan egy egéragy egészére kiterjedő CRISPR‑atlasz adathalmazán. A csoport szerint az ügynökök 32 perc alatt elemezték és értelmezték a több millió sejt kísérleti adatait, és az eredményeket összekapcsolták a tudományos irodalom felfedezéseivel, így feltárva váratlan biológiai összefüggéseket, amelyek további kutatási irányokat és kísérleteket jeleznek.
Miért volt szükség erre a módszerre?
A modern biológiai kísérletek óriási adatbázisokat termelnek: egyidejűleg több ezer gén megzavarásával és milliók sejtszintű mérésével olyan hatások kerülnek elő, amelyeket emberi laborok szokásos erőforrásokkal nehezen tudnának végignyálazni. A kísérleti eredmények értelmezéséhez évtizedekre szórt publikációk és különböző tudományterületek ismereteinek összekapcsolása szükséges — ebben segíthet az AI, azonosítva ígéretes, emberi elemzés mellett könnyen elsikkadó nyomokat.
Hogyan dolgoztak az ügynökök?
A kutatócsoport a feladatot több ezer, egyenként a GPT‑Rosalind modellre épülő ügynökre osztotta. Minden ügynök egy‑egy génmegváltoztatást (perturbációt) vizsgált: elemezte a sejtes válaszokat, átfésülte a vonatkozó tudományos irodalmat, és magyarázatokat javasolt az észlelt eredményekre. Az egyéni jelentéseket egyesítve létrejött egy úgynevezett reasoning atlasz, amely összekapcsolja a génperturbációkat, a sejtszintű hatásokat, a releváns publikációkat és a lehetséges biológiai mechanizmusokat.
A csoport becslése szerint ugyanennek az anyagnak az emberi, egy perturbációnként végzett elemzése hónapokig, akár egy évig is eltartott volna.
Milyen eredményeket találtak?
Az ügynökök reprodukálták korábbi, emberi elemzések által leírt eredményeket, ugyanakkor további vezető nyomokat is felvetettek. A kutatók kiemelik két konkrét példát:
-
Tsc1 és Tsc2: A Tsc1 és Tsc2 gének együtt szabályozzák az mTOR jelátvitelt, amely a sejtnövekedés, anyagcsere és öregedés fontos szabályozója. A legtöbb neuroncsoportban mindkét gén megzavarása hasonló hatásokat mutatott, de a kisagyban (cerebellum) a Tsc2 megzavarása több tucat, az idegi kommunikációval kapcsolatos gén aktivitását változtatta meg, míg a Tsc1 megzavarása csak kevés változást okozott. Ez a különbség releváns lehet emberi betegségek szempontjából: tuberous sclerosis esetén a kisagyi eltérések erősen kapcsolódnak a TSC2 mutációkhoz.
-
DCTN1 és koleszterin: A DCTN1 gén mutációi Perry‑szindrómához vezetnek, amely neurodegeneratív betegség Parkinson‑szerű tünetekkel. A CRISPR‑atlaszban a Dctn1 megzavarása megnövelte a koleszterint előállító gének kifejeződését. Az ügynökök ezt összekapcsolták olyan korábbi kutatásokkal, amelyek szerint a koleszterin szállításának zavara kompenzációs koleszterintermelést válthat ki. Ez felvet egy tesztelhető hipotézist: a DCTN1 zavarai megváltoztathatják a koleszterin intracelluláris eloszlását, és ez hozzájárulhat a neurodegenerációhoz — ha igen, a koleszterineloszlás helyreállítása védelmet nyújthatna.
A párhuzamos megközelítés előnyei a single‑agent elemzéssel szemben
A csapat kipróbált egyetlen ügynököt is azonos modellel és erőforrásokkal, majd összehasonlította a párhuzamos eljárással. Az egyetlen ügynök a legnagyobb munkaterhelés mellett csak 11 hivatkozást idézett, míg a párhuzamosan futó ügynökök összesen több mint 700 hivatkozást használtak fel. Vaktesztben az emberi szakértők a distributed‑agent (több ügynökös) jelentéseket 75%‑ban jobbnak ítélték, mint az egy ügynök által készítetteket.
A szerzők szerint a párhuzamos ügynökök segítenek szélesebb körben megvizsgálni a kísérleti válaszokat, beleértve a gyengébb vagy váratlan jelzéseket is, és jobban összekapcsolják ezeket a releváns irodalommal.
Hogyan folytatható a munka?
A reasoning atlasz elérhető a kutatók számára, így más szakemberek is összehasonlíthatják a kapcsolódó géneket, vizsgálhatják a váratlan válaszokat és kiválaszthatják a kísérletezésre érdemes vezetőket. A kutatók hangsúlyozzák, hogy az AI nem helyettesíti a tudósokat, hanem olyan további nyomokat szolgáltat, amelyek emberi ítélettel és kísérleti munkával válhatnak tesztelhető, potenciálisan terápiás iránnyá.
A munka példája azt is illusztrálja, hogy az adatelemzés gyorsítása önmagában nem elég: a valódi előrelépés a nagy adathalmazok és a tudományos ismeretek összekapcsolásából származik, amely több, gyakran váratlan kapcsolódást hozhat felszínre.
