Співнауковці штучного інтелекту революціонізують спосіб дослідження

Біохімік Анна Пертль надрукувала своє запитання, натиснула Enter і пішла ночувати.

Системи штучного інтелекту, які вона просувала, створені для створення інноваційних наукових гіпотез. Однак, на відміну від типових чат-ботів, цей інструмент ШІ під назвою Co-Scientist не просто генерує відповіді за один прохід. Він запускає кілька автономних систем штучного інтелекту, відомих як агенти, для пошуку та синтезу інформації з документів, оцінки конкуруючих пояснень, уточнення та критики гіпотез, а також ітераційного тестування ідей на опубліковані докази.

Чому ШІ не може робити хорошу науку без людей

Цей процес може вимагати значної обчислювальної потужності, оскільки агент робить чіткі висновки, перш ніж прийти до життєздатного рішення. Це потребує часу. Піртл жартує, що з моменту отримання докторського ступеня в Інституті біомедичних досліджень Уайтхеда в Кембриджі, штат Массачусетс, вона вісім разів намагалася завершити триатлон на довгі дистанції.

У дощовий вівторок у липні Пертл запустив свою систему ШІ для вирішення однієї з найскладніших проблем раку. Вона попросила своїх співучених знайти незрозумілий, але практичний спосіб використовувати біологію молекулярних крапель, відомих як конденсати, для блокування MYC, білка, який вийшов з-під контролю в більшості ракових захворювань і довго протистояв спробам атаки.

Запит був заснований на багаторічних дослідженнях боса Partl, біолога Вайтхеда Річарда Янга. У 2018 році Янг і його колеги виявили, що клітини вмикають важливі гени, збираючи регуляторні білки в конденсати, згруповані в ключових контрольних областях генома, які називаються суперенхансерами.¹. Вони також виявили, як ракові клітини захоплюють ці суперпідсилювачі та перевантажують ген, що кодує MYC. Це вагомий натяк на те, що конденсат сприяє високим рівням експресії білків.².

Для Янга зрозуміло, що наступним кроком є ​​пряме націлювання на конденсати пухлинних клітин. Dew Point Therapeutics, бостонська (штат Массачусетс) компанія, співзасновником якої він є, зараз розглядає свої варіанти. Однак, оскільки попередні спроби перемогти MYC зазнали невдачі, Pertl хотів побачити, чи зможе штучний інтелект винайти новий засіб атаки.

Потрібна була певна робота, щоб прийти до ідеї, яку варто продовжувати. Біоінженер Карон Оверхолт, Пертл і Уайтхед, витратили майже годину туди-сюди, перш ніж його співробітник зрозумів питання. Спочатку модель AI припускала, що білкові кластери в центрі дослідження були ліками, а не мішенями. Крім того, інструмент припускав, що кластери завжди активують експресію генів, хоча насправді деякі кластери робили навпаки.

Після того як Pertl і Overholt виправили ці помилки, вони випустили систему. Наступного дня науковці переглянули понад 700 наукових статей і створили 108 можливих стратегій. Усі підходи, крім одного, були відхилені як нездійсненні. Остання стратегія повністю змінила уявлення лабораторії.

Замість того, щоб розчиняти кластери, що є підходом Dewpoint, інструмент AI запропонував склеїти кластери разом. У цьому підході використовується техніка молекулярного зв’язування, яка називається «хімія кліків», щоб роздробити білки, які активують або пригнічують клітини. MYC Скупчуючи гени в одну липку масу та викликаючи ланцюгову реакцію, MYCДНК більше не можна прочитати.

Вчені вже знали, що ДНК і білки, які її оточують, можуть перетворюватися з рідкої рідини в щось більш тверде, як желатин у холодильнику. Однак використання цього метастазу для блокування ракових генів було невідомою територією. «Це концептуально дуже переконливо, — каже Оверхолт. «Ми точно ні про що подібне не думали».

Довіряй, але перевіряй

Цей тип мозкового штурму за допомогою ШІ стає все більш поширеним. Дослідники вже використовували Co-Scientist, розроблений Google у Маунтін-В’ю, Каліфорнія, щоб знайти комбінації ліків, які вбивають клітини лейкемії в посуді.³ Визначення методів лікування для регенерації тканини печінки, пошкодженої хворобою, у лабораторії⁴.

І Co-Scientist — не єдина гра в місті. Передові лабораторії ШІ, такі як Anthropic і OpenAI, стартапи, такі як FutureHouse⁵ і Філон⁶ (усі чотири компанії розташовані в Сан-Франциско, штат Каліфорнія, або поблизу нього) розгортають системи, які можуть вирішувати завдання, які раніше були зарезервовані для вчених-людей, звільняючи дослідників зосередитися на питаннях і рішеннях, які є найважливішими. «Ми уявляємо, що це як співпраця, партнер з вами», — каже Вівек Натараджан, дослідник штучного інтелекту в Google, який брав участь у розробці Co-Scientist.

Команда агентів ШІ прискорює дослідження

Якщо це станеться, може змінитися не лише спосіб роботи вчених, а й спосіб їх оцінювання. Протягом багатьох поколінь науковий прогрес залежав від дослідників, які вміли ставити складні запитання, знаходити відповіді на них і розуміти результати. Оскільки машини беруть на себе більше цієї роботи, обмежені ресурси можуть у кінцевому підсумку поступитися місцем людському науковому судженню: знати, які питання варто поставити, а які сфери дослідження варто продовжувати. «Найцінніша річ, яку потрібно робити зараз, — це справді ставити запитання», — сказав Аджай Агравал, економіст Школи менеджменту Ротмана при Університеті Торонто в Канаді, який вивчає вплив ШІ на інновації та підприємництво.

Мета полягає не в тому, щоб замінити дослідників, а в тому, щоб звільнити їх від буденних аспектів відкриттів, сказав Ле Конг, молекулярний генетик зі Стенфордського університету в Каліфорнії та науковий співзасновник Philo. «Ми просуваємо людей вгору по ланцюжку створення вартості», — каже він.

Але впровадження цих інструментів ШІ також створює тривожний парадокс. Незважаючи на те, що студенти мають менше можливостей виконувати роботу самостійно та накопичувати досвід, дослідникам можуть знадобитися глибші знання, ніж будь-коли раніше, щоб визначити, чи є ідеї, створені ШІ, обґрунтованими. Тож інструмент, який обіцяє прискорити відкриття, може ускладнити навчання вчених, необхідних для нагляду за ним.

Гектор Зеніл, дослідник біомедичних обчислень з Королівського коледжу Лондона, робить висновок, що «дослідники, які володіють людськими навичками, щоб зрозуміти загальну картину, будуть ціннішими, ніж будь-коли».

Для Федора Урнова, який досліджував редагування геному в Університеті Каліфорнії в Берклі та був першим учасником платформи Cosmos від Future House, обіцянка асистента дослідника ШІ є простим правилом. Це означає, що їхні оголошення не слід сприймати за чисту монету.

Урнов виріс у Москві і добре пам’ятає фразу, яку популяризували під час переговорів про контроль над ядерними озброєннями між Сполученими Штатами та Радянським Союзом у 1980-х роках. «Мої стосунки з [Kosmos] «Це значною мірою базується на приказці Рейгана та Горбачова, — каже він, — довіряй, але перевіряй».

Дослідники з Імперського коледжу Лондона використовуватимуть платформу, щоб дослідити, як бактерії обмінюються фрагментами ДНК між видами в 2025 році, включивши етап перевірки в тести своїх співробітників Google.⁷. Вони вже зібрали експериментальні дані, щоб сформувати теорію, але замість того, щоб ввести їх у систему, вони приховали неопубліковані результати та попросили свої інструменти штучного інтелекту працювати виключно на опублікованій літературі та наборах даних. Лише після створення теорії вони розкрили результати експерименту та порівняли результати платформи зі своїми.

Теорія співавторів про те, що відбувається, дуже узгоджується з тим, що дослідники, мікробіологи Хосе Пенадес і Тіаго Коста витратили роки на з’ясування. Тобто елементи бактеріальної ДНК можуть запозичувати частини вірусів і поширюватися між віддалено спорідненими господарями. Завдяки своїй здатності міркувати та поєднувати інформацію з багатьох джерел, співнаукові дійшли майже того самого висновку приблизно за два дні⁷. Коста каже, що якби імперські дослідники використовували цей інструмент із самого початку, їм, можливо, не довелося б проводити роки дослідницьких експериментів, перш ніж виявити правильний механізм.

«Якщо ви розглядаєте наукові відкриття як біг на 100 метрів, то біг починається, скажімо, з 30 метрів замість нуля», — каже він, використовуючи свого помічника зі штучним інтелектом.

Помічники штучного інтелекту зазвичай використовують кілька агентів, щоб атакувати те саме питання з різних точок зору. Наукове питання можна розбити на менші завдання, а агенти можуть працювати над різними частинами паралельно. Системи Google і конкуруючі платформи від FutureHouse і Huawei Technologies з Шеньчженя, Китай⁸Рибний ШІ в Токіо⁹ – Можна досліджувати кілька можливих шляхів одночасно, дозволяючи виникати корисним зв’язкам із взаємодії між агентами, а не з одного ланцюжка висновків.

«У нас є агенти штучного інтелекту з різним досвідом, щоб надавати різні точки зору», — каже Кайл Свонсон, комп’ютерний науковець зі Стенфордського університету, який допоміг розробити Virtual Lab, першу академічну платформу підтримки досліджень ШІ.¹⁰. «Ви матимете миттєвий доступ до міждисциплінарних експертів».

Важливість хороших питань

Але навіть команді спеціалістів зі штучного інтелекту потрібен хтось, хто націлив би інструменти на важливу проблему та сформулював завдання таким чином, щоб система могла продуктивно її вирішити.

Для вузько визначених проблем мета може бути очевидною. Можливо, саме тому проблема десятиліття, поставлена ​​покійним угорським математиком Полом Ердошем і розв’язана за допомогою інструментів ШІ в травні, виявилася благодатним ґрунтом для машинної логіки. Але у відкритій науці рішення про те, які питання поставити і що вважається значущою відповіддю, все ще є основною роботою людини.

Вчені-людини перемагають найкращих агентів ШІ у складних завданнях

«Ви повинні задавати справді хороші запитання», — зазначає Свонсон. «Якщо ви поставите дуже загальне запитання, ви, ймовірно, отримаєте дуже загальну відповідь».

Якщо це не дуже гарне запитання, вам не обов’язково встановлювати суворий обсяг. Наприклад, молекулярний генетик Future House і Стенфордського університету Філін Гукельбергер надала Cosmos великий набір даних молекулярних контактів, які допомагають контролювати, які гени ввімкнено. Потім вона попросила інструмент шукати шаблони, які люди-дослідники можуть пропустити.

Kosmos спочатку спіткнувся, як позначити дані, не в змозі зробити відмінності, які здавалися очевидними для Гукельбергера, але інструмент спіткнувся. Наприклад, у наборі даних із 30 мільйонів рядків стовпці, які розрізняли два типи ділянок ДНК, були проігноровані. Після того, як Гукельбергер змінила його, система виявила несподіваний шаблон у ракових клітинах, який вона змогла підтвердити в незалежному наборі даних.

«Він прискорювався як божевільний», — каже вона.

від початку до кінця

Ще одна привабливість платформи AI ​​Collaborative Scientist полягає в її здатності стискати найбільш виснажливі частини дослідницького процесу та виконувати складні багатоетапні робочі процеси, які в іншому випадку вченим довелося б вирішувати вручну.