Több ezer AI-ügynök talált új nyomokat az agyi betegségek kutatásában

Egy teljes agyi adathalmazt osztottak fel az ügynökök között

Az OpenAI október 21-i közlése szerint a kutatók egy teljes agyat lefedő CRISPR-atlaszt vizsgáltak. Ez az adathalmaz azt mutatja meg, hogyan hatnak különböző génmódosítások az egéragy különböző sejttípusaira. A kísérletek során több ezer gént módosítottak, majd milliónyi sejtben mérték a következményeket.

A csapat a feladatot több ezer, GPT-Rosalinddal működő AI-ügynök között osztotta fel. Ezt a megközelítést elosztott biológiai következtetésnek nevezték. Minden ügynök egy gén módosítását vizsgálta, elemezte a sejtek válaszait, tudományos szakirodalmat keresett, majd magyarázatokat javasolt az eredményekre.

Az egyes jelentéseket egy következtetési atlaszban egyesítették. Ez a géneket, a sejtekben megfigyelt hatásokat, a kapcsolódó publikációkat és a lehetséges biológiai mechanizmusokat kapcsolja össze. A kutatók becslése szerint az ilyen elemzés és szakirodalmi áttekintés emberi erőforrással, egy-egy génmódosítást vizsgálva, hónapokig vagy akár egy évig is tartana.

A rendszer váratlan kapcsolatokat is azonosított

Az ügynökök több, korábban elvégzett emberi elemzés eredményeit is reprodukálták, miközben további kutatási lehetőségeket találtak. Az újdonságot és tudományos értéket értékelő jelentéseik összhangban voltak a vakon felkért emberi szakértők véleményével.

Az egyik példa a Tsc1 és a Tsc2 gén vizsgálata. A két gén együtt vesz részt az mTOR szabályozásában, amely a sejtnövekedésben, az anyagcserében és az öregedésben játszik szerepet. Több idegsejtcsoportban mindkét gén módosítása hasonló hatást váltott ki. A mozgáskoordinációban fontos kisagyban azonban a Tsc2 módosítása több tucat, az idegsejtek közötti kommunikációban részt vevő gén aktivitását változtatta meg, míg a Tsc1 módosítása alig okozott változást.

Az OpenAI szerint ez összefügghet a gumós szklerózissal, amelyben a kisagyi eltérések szorosan kapcsolódnak a TSC2 mutációihoz. A kutatás konkrét kérdéseket jelölt ki további vizsgálatokhoz, például azt, hogy bizonyos gyógyszerek korrigálhatják-e ezeket a sejtváltozásokat.

A szakirodalmi keresésben is számított a párhuzamos működés

A kutatók azt is összehasonlították, hogy mire jut egyetlen ügynök ugyanazzal a modellel és erőforrásokkal, mint több ezer, párhuzamosan dolgozó ügynök. A legnagyobb munkaterhelésnél az egyetlen ügynök 11 hivatkozást használt, miközben az elosztott rendszer több mint 700 hivatkozást talált.

A vak összehasonlításokban az emberi szakértők az elosztott ügynökök jelentéseit az esetek 75 százalékában előnyben részesítették az egyetlen ügynök jelentéseivel szemben. A párhuzamos feldolgozás így a kutatók szerint lehetővé teszi a kevésbé feltűnő vagy váratlan sejtválaszok szélesebb körű vizsgálatát is.

A módszer egy másik lehetséges irányt is kijelölt a DCTN1 génnél. Ennek mutációi a Perry-szindrómához, egy Parkinson-kórhoz hasonló tünetekkel járó neurodegeneratív betegséghez kapcsolódnak. A gén az idegsejtek belső szállításában vesz részt. A Dctn1 módosítása növelte a koleszterintermelésben részt vevő gének aktivitását, amit az ügynökök a koleszterinszállítás zavarairól szóló kutatásokkal kapcsoltak össze.

A következtetési atlasz már kutatható

A DCTN1-eredmény alapján további kísérletek vizsgálhatják, hogy a gén módosítása megváltoztatja-e a koleszterin eloszlását az idegsejtekben, és ez hozzájárul-e a neurodegenerációhoz. A kutatók azt is tesztelhetik, hogy a normális koleszterin-eloszlás helyreállítása védheti-e az idegsejteket. Az emberi szakértők ezt a felvetést újszerűnek, jelentősnek és további vizsgálatra érdemesnek ítélték.

A következtetési atlasz elérhető a kutatók számára. Segítségével összehasonlíthatják a kapcsolódó géneket, megvizsgálhatják a váratlan sejtválaszokat, és kiválaszthatják a laboratóriumban ellenőrizendő ígéretes felvetéseket.

Sarah Teichmann, a Cambridge-i Egyetem őssejtgyógyászati tanszékének vezetője és a Human Cell Atlas alapító társelnöke szerint az AI segíthet több kutatónak feltárni az ilyen erőforrásokat, és az előre nem látott megfigyeléseket új, tesztelhető kérdésekké alakítani. Az OpenAI közlése alapján a tudósok továbbra is a felfedezés középpontjában maradnak, az AI feladata pedig a kísérletekben rejlő információk nagyobb részének összekapcsolása és a következő vizsgálatok kiválasztásának támogatása.