Mit Tausenden von KI-Agenten neue Erkenntnisse in biologischen Daten aufdecken

Was wäre, wenn Wissenschaftler in Minuten statt Monaten neue Hinweise auf Alzheimer und Parkinson entdecken könnten? Gemeinsam arbeiten OpenAI, PerturbAI⁠(öffnet sich in einem neuen Fenster), und Scripps Research⁠(öffnet sich in einem neuen Fenster) verwendet tausende von KI-Agenten, die von GPT‑Rosalind angetrieben werden⁠(öffnet in einem neuen Fenster) um vorhandene experimentelle Daten aus zu analysieren und zu interpretieren Millionen von Gehirnzellen der Maus⁠(öffnet in einem neuen Fenster) in nur 32 Minuten. Die Agenten verknüpften die Auswirkungen von Genstörungen mit Erkenntnissen aus der wissenschaftlichen Literatur und deckten dabei unerwartete biologische Zusammenhänge auf, die Wissenschaftlern helfen können, Krankheiten zu verstehen und Forschungsrichtungen für neue Behandlungen zu identifizieren. Die Arbeit zeigt, wie KI Forschern dabei helfen kann, mehr von dem zu erforschen, was große biologische Experimente offenbaren.

Moderne Experimente erzeugen weit mehr Daten, als Wissenschaftler gründlich untersuchen können. Forscher können heute Tausende von Genen verändern und ihre Wirkungen über Millionen von Zellen hinweg messen. Doch zu verstehen, was diese Ergebnisse für menschliche Krankheiten bedeuten, erfordert die Verknüpfung komplexer experimenteller Befunde mit jahrzehntelangem, verstreutem wissenschaftlichem Wissen. Genau hier kann KI Wissenschaftlern helfen, vielversprechende Spuren aufzudecken, die sonst möglicherweise übersehen würden.

„Wir erstellen Zellatlanten, damit andere Wissenschaftler Entdeckungen machen können, die wir uns noch gar nicht vorstellen können. KI könnte mehr Forschern helfen, diese Ressourcen zu erkunden und unerwartete Beobachtungen in neue, zu prüfende Fragen umzuwandeln.“

Das Team verteilte die Analyse auf Tausende von KI-Agenten, die von GPT‑Rosalind angetrieben werden – ein Ansatz, den wir verteiltes biologisches Schließen nennen. Die Agenten untersuchten ein CRISPR-Atlas des gesamten Gehirns⁠(öffnet sich in einem neuen Fenster), ein Datensatz, der zeigt, wie Genstörungen verschiedene Zelltypen im Mausgehirn beeinträchtigen. Jeder Agent untersuchte eine Genstörung, analysierte zelluläre Reaktionen, durchsuchte die wissenschaftliche Literatur und schlug Erklärungen für die Ergebnisse vor. Ihre Berichte wurden zu einem Reasoning-Atlas zusammengefasst, der Gene, zelluläre Effekte, relevante Publikationen und mögliche biologische Mechanismen verknüpft.

Das Forschungsteam schätzte, dass eine vergleichbare menschliche Analyse und Literaturrecherche, eine Störung nach der anderen durchgeführt, Monate bis ein Jahr dauern würde. Die Agenten reproduzierten Erkenntnisse aus menschlichen Analysen und deckten dabei zusätzliche Hinweise auf. Ihre Einschätzungen zu Neuheit und wissenschaftlichem Wert stimmten auch mit Beurteilungen verblindeter menschlicher Experten überein. Diese Ergebnisse helfen, weitere Experimente zu priorisieren, die zur Überprüfung der vorgeschlagenen biologischen Mechanismen erforderlich sind.

Einige dieser Erkenntnisse weisen auf neue Spuren zum Verständnis von Hirnerkrankungen hin. Die Agenten identifizierten unerwartete Unterschiede darin, wie zwei krankheitsassoziierte Gene Hirnzellen unterschiedlich beeinflussen, sowie eine mögliche Verbindung zwischen Cholesterinregulation und Neurodegeneration. Diese Ergebnisse könnten Wissenschaftlern helfen zu untersuchen, wie sich Krankheiten entwickeln und wo künftige Behandlungen ansetzen könnten.

„Manchmal liegen die Hinweise bereits vor, verstreut über verschiedene Fachgebiete hinweg – wir haben sie nur noch nicht verbunden. Die mögliche Verbindung zwischen neuronaler Funktion und Cholesterinstoffwechsel zeigt, wie diese Puzzleteile uns, einmal zusammengebracht, eine neue Sichtweise auf die Biologie von Krankheiten geben können.“

Forscher können diese Ergebnisse noch heute erkunden. Der Reasoning-Atlas ist verfügbar⁠(öffnet in einem neuen Fenster), sodass Wissenschaftler verwandte Gene vergleichen, unerwartete Reaktionen untersuchen und vielversprechende Ansätze zur weiteren Verfolgung identifizieren können. Neue Entdeckungen entstehen oft, wenn Forscher aus verschiedenen Fachgebieten ihr Fachwissen zusammenbringen und vertraute Ideen auf unerwartete Weise verbinden. KI kann diese Verbindungen erheblich skalieren, indem sie neue Daten mit über Disziplinen verstreutem Wissen verknüpft. Die Möglichkeit geht über eine schnellere Datenanalyse hinaus. Indem wir KI mit experimenteller Biologie, menschlichem Fachwissen und wissenschaftlicher Literatur kombinieren, können wir Wissenschaftlern helfen, mehr ihrer Daten in überprüfbare Ideen umzusetzen.

Große Experimente, unerwartete Hinweise

Manche der interessantesten Hinweise eines Experiments liegen außerhalb der Geschichte, die Wissenschaftler untersuchen wollten. In einem Datensatz, der Tausende von Störungen umspannt, können solche Hinweise leicht übersehen werden.

Die Agenten identifizierten einen unerwarteten Unterschied zwischen Tsc1 und Tsc2, zwei Genen, die zusammenarbeiten, um mTOR zu kontrollieren, einen wichtigen Regulator von Zellwachstum, Stoffwechsel und Alterung. Die Störung beider Gene hatte in mehreren Gruppen von Neuronen ähnliche Effekte. Aber im Kleinhirn, das hilft, Bewegungen zu koordinieren, veränderte die Störung von Tsc2 die Aktivität von Dutzenden von Genen, die an der neuronalen Kommunikation beteiligt sind, während die Störung von Tsc1 kaum Veränderungen bewirkte.

Dieser Unterschied könnte für menschliche Krankheiten relevant sein. Bei Menschen mit Tuberöser Sklerose sind Auffälligkeiten im Kleinhirn stark mit TSC2-Mutationen verknüpft. Während Medikamente, die die mTOR-Aktivität reduzieren, bestimmte Hirntumoren und Krampfanfälle behandeln können, bleiben die mit der Krankheit verbundenen Lern- und Verhaltensschwierigkeiten schwierig zu behandeln. Die Agenten machten eine bestimmte Gruppe von Neuronen und zelluläre Veränderungen aus, die einer Untersuchung wert sind: Welche Veränderungen könnten bestehende Medikamente korrigieren, und welche könnten auf neue Behandlungsansätze hinweisen? Dies gibt Forschern einen konkreteren Satz von Fragen, die im Labor getestet werden können.

Die Arbeit aufteilen, das reasoning vertiefen

Könnte ein einzelner Agent, dem der gesamte Datensatz gegeben wird, genauso gut abschneiden wie Tausende von Agenten, die parallel arbeiten? Wir haben dies getestet, während Modell und Ressourcen konstant gehalten wurden. Mit wachsender Arbeitslast durchsuchte der einzelne Agent weniger der Literatur und zitierte bei der größten Arbeitslast nur 11 Referenzen, während die verteilten Agenten mehr als 700 Referenzen zitierten. Menschliche Experten bevorzugten ebenfalls die Interpretationen der verteilten Agenten.

Wissenschaftler haben nur begrenzt Zeit und konzentrieren sich oft auf die stärksten Signale in ihren Daten. Verteilte Agenten können helfen, ein breiteres Spektrum von Reaktionen zu untersuchen, einschließlich subtiler oder unerwarteter, und diese mit relevanter wissenschaftlicher Literatur zu verknüpfen. Die parallele Ausführung der Agenten ermöglicht es, viele Perturbationen gleichzeitig zu untersuchen. Dies hilft Wissenschaftlern, mehr von dem zu erkunden, was ein Experiment enthält, und vielversprechende Spuren zu identifizieren, die sonst möglicherweise übersehen würden.

Das nächste lohnende Experiment finden

Ein Befund wird wertvoller, wenn er auf ein lohnendes Experiment hinweist. Die Agenten fanden eine solche Spur in DCTN1, einem Gen, dessen Mutationen das Perry-Syndrom verursachen, eine neurodegenerative Erkrankung mit Parkinson-ähnlichen Symptomen.

DCTN1 ist am Transport von Fracht innerhalb von Neuronen beteiligt. Im CRISPR-Atlas des gesamten Gehirns erhöhte die Störung von Dctn1 die Expression von Genen, die an der Cholesterinsynthese beteiligt sind. Die Agenten verknüpften diese Beobachtung mit Forschungsergebnissen, die darauf hindeuten, dass Probleme beim Cholesterintransport dazu führen können, dass Zellen mehr Cholesterin herstellen. Dies warf eine Frage für Folexperimente auf: Könnte eine Störung von DCTN1 die Verteilung von Cholesterin innerhalb der Neuronen verändern, und könnten diese Veränderungen zur Neurodegeneration beitragen? Wenn ja, könnte die Wiederherstellung einer normalen Cholesterinverteilung helfen, Neuronen zu schützen?

Menschliche Experten hielten diese Hypothese ebenfalls für neuartig, bedeutsam und einer weiteren Verfolgung wert. Dieses Beispiel zeigt, wie die Verknüpfung eines unerwarteten Ergebnisses mit vorhandenem Wissen einen Hinweis in eine testbare Idee – und potenziell in eine neue Richtung für die Behandlung von Krankheiten – verwandeln kann.

Wissenschaftler bleiben im Zentrum der Entdeckung. Indem KI vielversprechendere Spuren aufdeckt, kann sie Forschern helfen zu entscheiden, welche Ideen sie verfolgen, Experimente zu entwerfen und Ergebnisse zu interpretieren. Das Ziel ist es, mehr der Informationen in biologischen Experimenten in Wissen umzuwandeln, das im Laufe der Zeit helfen kann, die Entwicklung besserer Medikamente zu leiten.