Nyílt forráskódú AI-asszisztenst fejlesztett a LangChain a gyógyszerkutatáshoz
A LangChain bemutatta a Deep Life Sci nevű, nyílt forráskódú AI-asszisztenst klinikai és laboratóriumi kutatók számára. Az eszköz tudományos cikkeket keres, adatokat elemez, és több száz alügynök segítségével támogatja a gyógyszerfejlesztési munkát.
- A Deep Life Sci nyílt forráskódú AI-asszisztens klinikai és laboratóriumi kutatóknak.
- A rendszer több mint 600 000 klinikai vizsgálat, 29 millió PubMed-kivonat és 12 millió teljes szövegű cikk adataihoz férhet hozzá.
- A felhasználók saját fájlokat tölthetnek fel, a rendszer pedig kódot is futtathat adatelemzéshez.
- A LangSmith naplózza a kereséseket, a futtatott kódot és az alügynökök munkáját.
- A nyílt kód lehetővé teszi a belső adatok, modellek, korlátok és jóváhagyási folyamatok integrálását.
A gyógyszerfejlesztés költségeire adna választ
A LangChain szeptember 17-i bejelentése szerint a gyógyszerfejlesztés költsége az elmúlt évtizedekben gyorsan emelkedett. A vállalat az úgynevezett Eroom-törvényt emeli ki, amely a Moore-törvény fordítottjaként írja le ezt a folyamatot: miközben a számítási teljesítmény ára hosszú idő alatt exponenciálisan csökkent, egy új gyógyszer kifejlesztésének költsége kilencévente megduplázódott.
A költségnövekedés a fejlesztés több szakaszát is érinti. A kutatóknak milliónyi tudományos publikációt és nagy biológiai adathalmazokat kell átvizsgálniuk, később pedig a klinikai vizsgálatok során több tízezer oldalnyi dokumentációt kell elkészíteniük és ellenőrizniük az FDA egyre bővülő szabályozási követelményei mellett.
A LangChain szerint az általános célú AI-asszisztensekből hiányzik a szükséges szakterületi tudás és a tudományos adatforrásokkal való integráció. A vállalat a Deep Life Sci-t erre a problémára válaszul készítette el, a Deep Agents keretrendszerére építve.
Tudományos cikkek, adatelemzés és több száz alügynök
A Deep Life Sci hozzáférhet a ClinicalTrials.gov több mint 600 000 regisztrált vizsgálatának adataihoz, a PubMed 29 millió kivonatához, valamint a PubMed Central 12 millió teljes szövegű cikkéhez. A rendszer egyszerre több száz dokumentum áttekintésére képes, amelyeket alügynökök között oszt fel.
Minden ügynökhöz LangSmith-homokozó tartozik. Ebben a rendszer kódot futtathat és adatelemzéseket végezhet biztonságos környezetben. A felhasználók PDF-eket, képeket, táblázatos adatfájlokat, RIS bibliográfiai fájlokat, valamint SMILES- és FASTA-szekvenciafájlokat is feltölthetnek.
Egy laboratóriumi példa szerint a kutató feltölti egy RNS-szekvenálási vagy proteomikai vizsgálat eredménytábláját. Az ügynök azonosítja a különbözőképpen kifejeződő géneket, szakirodalmi bizonyítékokat keres a fenotípussal való kapcsolatukra, majd rangsorolt táblázatot készít a kapcsolódó publikációkkal.
Klinikai fejlesztési vagy egészség-gazdaságtani csapatok a standard kezelésekhez kapcsolódó vizsgálatokat gyűjthetik össze. A rendszer az előre meghatározott szempontok szerint szűr, egységes sémába rendezi az eredményeket, és erdődiagram jellegű összehasonlítást is készít.
Nyílt kód, saját adatok és ellenőrizhető működés
A Deep Life Sci nyílt forráskódú sablonként szolgálhat azoknak a vállalatoknak, amelyek saját használati eseteikhez módosítanák az asszisztenst. A LangChain szerint a szervezetek belső adatokat és dokumentációt kapcsolhatnak hozzá, különböző zárt vagy nyílt forráskódú modelleket használhatnak, valamint korlátokat és jóváhagyási pontokat építhetnek be.
A testreszabás azért fontos, mert a nyilvános adatok önmagukban nem tartalmazzák egy vállalat belső vizsgálatainak eredményeit, a szabályozói visszajelzéseket vagy azt, hogy mely klinikai helyszínek toboroztak ténylegesen résztvevőket. Ezeket a vállalati környezetből származó információkat a rendszerbe lehet integrálni.
A Deep Life Sci futásai végponttól végpontig naplózhatók a vállalat saját LangSmith-fiókjában. A napló tartalmazza a kereséseket, a homokozóban futtatott kódot, az alügynökök által elolvasott dokumentumokat és azt is, hogyan jutottak el a rendszer válaszához. A LangChain szerint ezek a nyomvonalak hibakeresésre, fejlesztésre és auditálási rekordként is használhatók.
A csomag alapértelmezett értékelési készletet is tartalmaz, amely a vállalati integrációkkal és új használati esetekkel bővíthető. A fejlesztők egy modellcsere vagy promptmódosítás előtt és után is lefuttathatják, így ellenőrizhetik, hogy a változtatás javított-e a teljesítményen.
