数千のAIエージェントを用いて生物学的データから新たな手がかりを発見する

科学者が数か月ではなく数分でアルツハイマー病やパーキンソン病に関する新たな手がかりを発見できたらどうでしょう。OpenAI、 PerturbAI⁠(新しいウィンドウで開きます)、そして Scripps Research⁠(新しいウィンドウで開きます) は、 GPT‑Rosalindを基盤とする数千のAIエージェント⁠(新しいウィンドウで開きます) を用いて、 数百万個のマウスの脳細胞⁠(新しいウィンドウで開きます) から得られた既存の実験データをわずか32分で解析・解釈しました。これらのエージェントは遺伝子撹乱の影響を科学文献の知見と結びつけ、疾患の理解や新たな治療法の研究方向の特定に役立つ予想外の生物学的つながりを発見しました。この研究は、AIが大規模な生物学的実験が明らかにする情報をより広く研究者が探索する手助けできることを示しています。

現代の実験は、科学者が徹底的に調べきれる量をはるかに超えるデータを生み出しています。研究者は現在、数千の遺伝子を操作し、その影響を数百万個の細胞にわたって測定できます。しかし、これらの結果がヒトの疾患にとって何を意味するのかを理解するには、複雑な実験結果と数十年にわたり散在する科学的知見を結びつける必要があります。ここにこそ、AIが科学者にとって見逃されがちな有望な手がかりを発見する手助けできる余地があります。

「私たちが細胞アトラスを構築するのは、まだ想像もしていない発見を他の科学者が行えるようにするためです。AIは、より多くの研究者がこうしたリソースを探索し、予想外の観察結果を検証すべき新たな問いへと転換する手助けになり得ます。」

研究チームは、分散生物学的推論と呼ぶ手法として、解析をGPT‑Rosalindを基盤とする数千のAIエージェントに分割しました。エージェントたちは、マウスの脳全体にわたって遺伝子撹乱がさまざまな細胞種に与える影響を示すデータセットである 全脳CRISPRアトラス⁠(新しいウィンドウで開きます)を調べました。各エージェントは1つの遺伝子撹乱を調査し、細胞の応答を解析し、科学文献を検索し、結果の説明を提案しました。それらのレポートは、遺伝子、細胞への影響、関連する論文、そして可能性のある生物学的メカニズムを結びつける推論アトラスへと統合されました。

研究チームの推定では、人間が1つずつ撹乱を調べる形で同等の解析と文献レビューを行うには、数か月から1年かかります。エージェントたちは人間の解析結果を再現しつつ、さらに追加の手がかりを発見しました。新規性や科学的価値についての彼らの評価も、ブラインド化された人間の専門家の判断と一致しました。これらの知見は、提案された生物学的メカニズムを検証するために必要なさらなる実験の優先順位付けに役立ちます。

こうした知見の一部は、脳疾患の理解に向けた新たな手がかりを示しています。エージェントたちは、疾患に関連する2つの遺伝子が脳細胞に異なる影響を与えることについての予想外の違いを特定したほか、コレステロール調節と神経変性の間の潜在的なつながりも発見しました。これらの発見は、疾患がどのように進行するか、そして将来の治療がどこで介入し得るかを科学者が調べる上で役立つ可能性があります。

「手がかりはすでにそこにありながら、異なる分野に散らばっていることがあります。それをつなげていないだけなのです。神経細胞の機能とコレステロール代謝の間の可能性のあるつながりは、こうした断片をひとつにまとめることで、疾患の生物学的性質について新たな考え方が得られることを示しています。」

研究者は今日からこれらの知見を探索し始めることができます。推論アトラスは 公開されており⁠(新しいウィンドウで開きます)、科学者は関連する遺伝子を比較し、予想外の応答を調査し、 pursueすべき有望な手がかりを特定できます。新たな発見は、異なる分野の研究者が専門知識を持ち寄り、身近なアイデアを予想外の形で結びつけるときにしばしば生まれます。AIは、新たなデータを分野を超えて散在する知識と結びつけることで、こうしたつながりを大幅に拡大できます。その可能性は、データをより速く解析することにとどまりません。AIを実験生物学、人間の専門知識、科学文献と組み合わせることで、科学者がより多くのデータを検証可能なアイデアへと転換できるよう支援できます。

大規模な実験、予想外の手がかり

実験の最も興味深い手がかりの一部は、科学者が当初調べようとしたストーリーの外側にあります。何千もの摂動に及ぶデータセットでは、そうした手がかりは見逃されやすいのです。

エージェントたちは、細胞の成長、代謝、老化の主要な調節因子であるmTORを制御するために協働する2つの遺伝子、Tsc1とTsc2の間に予期しない違いを特定しました。どちらかの遺伝子を破壊しても、いくつかのニューロンのグループでは同様の効果が見られました。しかし、運動の協調を助ける小脳では、Tsc2の破壊は神経伝達に関わる数十の遺伝子の活性を変化させたのに対し、Tsc1の破壊ではほとんど変化が生じませんでした。

この違いは、ヒトの病気にも関連している可能性があります。結節性硬化症の患者では、小脳の異常がTSC2変異と強く結びついています。mTOR活性を低下させる薬剤は特定の脳腫瘍やてんかん発作の治療に用いられますが、この病気に伴う学習や行動の困難さへの対処は依然として難しい課題です。エージェントは、調査に値する特定のニューロンの集団と細胞レベルの変化を特定しました。既存の薬剤でどの変化が是正できるのか、そしてどの変化が新たな治療アプローチの糸口となるのか。これにより、研究者は研究室で検証すべき、より具体的な問いのリストを得ることができます。

仕事を分割し、推論を深める

データセット全体を与えられた1つのエージェントは、並列に動作する数千のエージェントと同等の成果を上げられるのでしょうか?私たちはモデルとリソースを固定したままこれを検証しました。ワークロードが増えるにつれ、単一エージェントは文献をより少しから調べるだけとなり、最大ワークロードでは11件の参考文献しか引用しませんでしたが、分散型エージェントは700件を超える参考文献を引用しました。人間の専門家も、分散型エージェントによる解釈を好みました。

科学者には限られた時間しかなく、データの中で最も強いシグナルに焦点を絞りがちです。分散型エージェントは、微妙なものや予想外のものを含むより幅広い応答を調べ、関連する科学文献と結びつける助けとなります。エージェントを並列に実行することで、多くの摂動を一度に調査できます。これにより、科学者は実験に含まれる情報をより多く掘り下げ、見逃されがちな有望な手がかりを特定できるようになります。

次に行う価値のある実験を見つける

次に行う価値のある実験を示唆する発見は、いっそう価値が高まります。エージェントはそのような手がかりを DCTN1に見出しました。この遺伝子の変異は、パーキンソン病様症状を伴う神経変性疾患であるペリー症候群の原因となります。

DCTN1はニューロン内の貨物輸送に関与しています。全脳CRISPRアトラスでは、Dctn1を破壊するとコレステロール合成に関わる遺伝子の発現が上昇しました。エージェントはこの観察を、コレステロール輸送の問題が細胞にさらなるコレステロール合成を引き起こす可能性を示唆する研究と結びつけました。これにより、フォローアップ実験への問いが生まれました。DCTN1の破壊はニューロン内のコレステロールの分布を変えるのか、そしてその変化が神経変性の一因となるのか?もしそうであれば、正常なコレステロール分布を回復させることでニューロンを保護できるのだろうか?

人間の専門家もこの仮説を斬新で重要であり、追求する価値があると評価しました。この例は、予想外の結果を既存の知識と結びつけることで、手がかりを検証可能なアイデアへ、ひいては病気治療の新たな方向性へと変えられることを示しています。

科学者が発見の中心であることに変わりはありません。AIはより多くの有望な手がかりを明らかにすることで、研究者がどのアイデアを追求すべきかの判断、実験の設計、結果の解釈を支援できます。その目標は、生物学的実験に含まれるより多くの情報を、時間の経過とともにより優れた医薬品の開発の指針となり得る知識へと変えることです。