Was wäre, wenn Wissenschaftler in Minuten statt Monaten neue Hinweise auf Alzheimer und Parkinson finden könnten? OpenAI, PerturbAI(öffnet in einem neuen Fenster)und Scripps Research(öffnet in einem neuen Fenster) nutzten Tausende von KI-Agenten, angetrieben von GPT‑Rosalind(öffnet in einem neuen Fenster) , um vorhandene experimentelle Daten von Millionen von Mausgehirnzellen(öffnet in einem neuen Fenster) in nur 32 Minuten zu analysieren und zu interpretieren. 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 helfen kann, mehr von dem zu erkunden, 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 Auswirkungen über Millionen von Zellen hinweg messen. Doch zu verstehen, was diese Ergebnisse für menschliche Krankheiten bedeuten, erfordert die Verknüpfung komplexer experimenteller Befunde mit Jahrzehnten verstreuten wissenschaftlichen Wissens. Genau hier kann KI Wissenschaftlern helfen, vielversprechende Hinweise 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 zu verwandeln.“—Sarah Teichmann, Ph.D., Inhaberin des Lehrstuhls für Stammzellmedizin an der University of Cambridge und Gründungs-Co-Vorsitzende des Human Cell Atlas
Das Team verteilte die Analyse auf Tausende von KI-Agenten, die von GPT‑Rosalind angetrieben wurden – ein Ansatz, den wir verteilte biologische Argumentation nennen. Die Agenten untersuchten einen Ganzgehirn-CRISPR-Atlas(öffnet in einem neuen Fenster), einen Datensatz, der zeigt, wie sich Genstörungen auf verschiedene Zelltypen im Mausgehirn auswirken. 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, durchgeführt jeweils eine Störung nach der anderen, Monate bis zu einem Jahr dauern würde. Die Agenten reproduzierten die Ergebnisse menschlicher Analysen und deckten dabei zusätzliche Hinweise auf. Ihre Bewertungen von Neuheit und wissenschaftlichem Wert stimmten auch mit den Einschätzungen verblindeter menschlicher Experten überein. Diese Befunde helfen dabei, die weiteren Experimente zu priorisieren, die zur Überprüfung der vorgeschlagenen biologischen Mechanismen erforderlich sind.
Einige dieser Erkenntnisse weisen auf neue Hinweise zum Verständnis von Hirnerkrankungen hin. Die Agenten identifizierten unerwartete Unterschiede darin, wie zwei krankheitsassoziierte Gene Gehirnzellen unterschiedlich beeinflussen, sowie eine mögliche Verbindung zwischen Cholesterinregulation und Neurodegeneration. Diese Befunde könnten Wissenschaftlern helfen zu untersuchen, wie sich Krankheiten entwickeln und wo künftige Behandlungen ansetzen könnten.
„Manchmal sind die Hinweise bereits vorhanden, verstreut über verschiedene Fachgebiete – wir haben sie nur noch nicht verbunden. Die mögliche Verbindung zwischen neuronaler Funktion und Cholesterinstoffwechsel zeigt, wie diese Teile, einmal zusammengebracht, uns eine neue Sichtweise auf die Biologie von Krankheiten geben können.“—Tomasz Nowakowski, Ph.D., außerordentlicher Professor für neurochirurgische Forschung an der UCSF
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 verstreutem Wissen aus verschiedenen Disziplinen 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 zu verwandeln.
Große Experimente, unerwartete Hinweise
Einige der interessantesten Hinweise eines Experiments liegen außerhalb der Geschichte, die die Wissenschaftler ursprünglich untersuchen wollten. In einem Datensatz, der Tausende von Perturbationen umfasst, können diese Hinweise leicht übersehen werden.
Die Agenten entdeckten 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 eines der beiden Gene hatte in mehreren Gruppen von Neuronen ähnliche Effekte. Aber im Kleinhirn, das bei der Koordination von Bewegungen hilft, 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 Lern- und Verhaltensschwierigkeiten, die mit der Erkrankung verbunden sind, schwer 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 Nachdenken vertiefen
Könnte ein einzelner Agent, dem der gesamte Datensatz gegeben wird, genauso gut abschneiden wie Tausende parallel arbeitender Agenten? 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, darunter auch subtile oder unerwartete, 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 erforschen, was ein Experiment enthält, und vielversprechende Spuren zu identifizieren, die sonst möglicherweise übersehen würden.
Bei der größten Arbeitslast zitierten die verteilten Agenten mehr als 700 Referenzen, gegenüber 11 bei einem einzelnen Agenten.
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 ganzen 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. Daraus ergab sich eine Frage für Folgehexperimente: Könnte eine Störung von DCTN1 verändern, wie Cholesterin innerhalb von Neuronen verteilt ist, 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 bestehendem Wissen eine Spur in eine testbare Idee – und potenziell in eine neue Richtung für die Behandlung von Krankheiten – verwandeln kann.
In verblindeten Vergleichen bevorzugten menschliche Experten die Berichte der verteilten Agenten in 75% der Fälle gegenüber den Berichten eines einzelnen Agenten.
Wissenschaftler bleiben im Zentrum der Entdeckung. Indem KI mehr vielversprechende Spuren aufdeckt, kann sie Forschern helfen zu entscheiden, welchen Ideen sie nachgehen sollen, 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.