К созданию ИИ-сотрудника в научных исследованиях

Towards an AI co-scientist

February 26, 2025

Авторы: Juraj Gottweis, Wei-Hung Weng, Alexander Daryin, Tao Tu, Anil Palepu, Petar Sirkovic, Artiom Myaskovsky, Felix Weissenberger, Keran Rong, Ryutaro Tanno, Khaled Saab, Dan Popovici, Jacob Blum, Fan Zhang, Katherine Chou, Avinatan Hassidim, Burak Gokturk, Amin Vahdat, Pushmeet Kohli, Yossi Matias, Andrew Carroll, Kavita Kulkarni, Nenad Tomasev, Yuan Guan, Vikram Dhillon, Eeshit Dhaval Vaishnav, Byron Lee, Tiago R D Costa, José R Penadés, Gary Peltz, Yunhan Xu, Annalisa Pawlosky, Alan Karthikesalingam, Vivek Natarajan

cs.AI

Аннотация

Научные открытия зависят от способности ученых генерировать новые гипотезы, которые затем проходят строгую экспериментальную проверку. Для усиления этого процесса мы представляем ИИ-ассистента ученого — многоагентную систему, построенную на основе Gemini 2.0. Этот ИИ-ассистент призван помогать в открытии нового, оригинального знания и формулировании демонстративно новых исследовательских гипотез и предложений, основываясь на предыдущих данных и следуя целям и указаниям, предоставленным учеными. Дизайн системы включает подход "генерация, обсуждение и эволюция" к созданию гипотез, вдохновленный научным методом и ускоренный за счет масштабирования вычислительных ресурсов на этапе тестирования. Ключевые вклады включают: (1) многоагентную архитектуру с асинхронной системой выполнения задач для гибкого масштабирования вычислений; (2) процесс эволюции в формате турнира для самосовершенствования генерации гипотез. Автоматизированные оценки показывают устойчивые преимущества увеличения вычислительных ресурсов на этапе тестирования, улучшая качество гипотез. Хотя система универсальна, мы сосредоточили разработку и валидацию на трех биомедицинских направлениях: перепрофилирование лекарств, открытие новых мишеней и объяснение механизмов бактериальной эволюции и антимикробной резистентности. В области перепрофилирования лекарств система предложила кандидаты с многообещающими результатами валидации, включая кандидаты для лечения острого миелоидного лейкоза, демонстрирующие ингибирование опухоли in vitro при клинически применимых концентрациях. В открытии новых мишеней ИИ-ассистент предложил новые эпигенетические мишени для лечения фиброза печени, подтвержденные антифибротической активностью и регенерацией клеток печени в человеческих гепатоидных органоидах. Наконец, ИИ-ассистент воспроизвел неопубликованные экспериментальные результаты, параллельно открыв in silico новый механизм переноса генов в бактериальной эволюции. Эти результаты, подробно описанные в отдельных, синхронно опубликованных отчетах, демонстрируют потенциал усиления биомедицинских и научных открытий и открывают эру ученых, усиленных ИИ.

English

Scientific discovery relies on scientists generating novel hypotheses that undergo rigorous experimental validation. To augment this process, we introduce an AI co-scientist, a multi-agent system built on Gemini 2.0. The AI co-scientist is intended to help uncover new, original knowledge and to formulate demonstrably novel research hypotheses and proposals, building upon prior evidence and aligned to scientist-provided research objectives and guidance. The system's design incorporates a generate, debate, and evolve approach to hypothesis generation, inspired by the scientific method and accelerated by scaling test-time compute. Key contributions include: (1) a multi-agent architecture with an asynchronous task execution framework for flexible compute scaling; (2) a tournament evolution process for self-improving hypotheses generation. Automated evaluations show continued benefits of test-time compute, improving hypothesis quality. While general purpose, we focus development and validation in three biomedical areas: drug repurposing, novel target discovery, and explaining mechanisms of bacterial evolution and anti-microbial resistance. For drug repurposing, the system proposes candidates with promising validation findings, including candidates for acute myeloid leukemia that show tumor inhibition in vitro at clinically applicable concentrations. For novel target discovery, the AI co-scientist proposed new epigenetic targets for liver fibrosis, validated by anti-fibrotic activity and liver cell regeneration in human hepatic organoids. Finally, the AI co-scientist recapitulated unpublished experimental results via a parallel in silico discovery of a novel gene transfer mechanism in bacterial evolution. These results, detailed in separate, co-timed reports, demonstrate the potential to augment biomedical and scientific discovery and usher an era of AI empowered scientists.