„Google DeepMind“ pristatė DI „mokslininką“: kalbama apie milžinišką šuolį laboratorijose

Biomedicinos laboratorijose vis ryškiau matoma kryptis, kai dalį tyrėjo darbo perima autonominiai DI agentai. Jie greitina literatūros analizę, hipotezių kūrimą, duomenų interpretavimą ir net eksperimentų planavimą, todėl tai, kas anksčiau užtrukdavo mėnesius, kai kuriais atvejais sutrumpėja iki dienų.

Žurnale Nature pastaruoju metu pristatyti keli nepriklausomi sprendimai rodo, kad daugiaagentės sistemos gali veikti kaip tarpusavyje besitikrinančių specialistų komanda. Tokia architektūra ypač vertinama ten, kur reikia vienu metu apdoroti daug šaltinių ir greitai patikrinti alternatyvias kryptis.

„Tai primena skaitmeninę mokslininko mąstymo proceso versiją, o tikslas yra suteikti tyrėjams daugiau galios“, – sakė „Google DeepMind“ tyrėjas Vivekas Natarajanas.

„Co-Scientist“ ir „Robin“: nuo hipotezių iki rezultatų

Vienas iš aptariamų pavyzdžių yra „Google DeepMind“ sukurtas „Co-Scientist“, paremtas „Gemini“ architektūra. Sistema sukurta taip, kad generuotų struktūruotas mokslines hipotezes ir jas iteratyviai tobulintų, kai skirtingi agentai pateikia kritiką, alternatyvas ir patikslinimus.

Publikacijose aprašoma, kad įrankis buvo taikytas ieškant jau patvirtintų vaistų naujoms indikacijoms, įskaitant ūminę mieloidinę leukemiją. DI sugeneravo kandidatų sąrašą, o žmonės tyrėjai atrinko kelias medžiagas laboratoriniams bandymams, kur dalis jų parodė perspektyvius rezultatus ląstelių tyrimuose.

Kitas Nature aprašytas sprendimas yra ne pelno organizacijos „FutureHouse“ platforma „Robin“, kuri orientuota į uždaros tyrimų kilpos principą. Tai reiškia, kad sistema gali parengti literatūros apžvalgą, suformuoti hipotezę, pasiūlyti eksperimentų planą ir vėliau interpretuoti gautus duomenis, nors pačius bandymus vis dar atlieka žmonės laboratorijoje.

„Robin“ pademonstruotas ir su amžine geltonosios dėmės degeneracijos sausa forma susijęs scenarijus, kai sistema pasiūlė galimą kryptį, paremtą ląstelinių procesų suaktyvinimu, ir nurodė vaistą, anksčiau sietą su kita indikacija. Vėliau, remiantis aprašymu, buvo suplanuoti papildomi tyrimai, padėję geriau suprasti galimą mechanizmą.

Kodą rašantis asistentas ir ribos

Tarp Nature pristatytų krypčių minimas ir „Google DeepMind“ sprendimas „Empirical Research Assistance“, skirtas automatizuoti mokslinių skaičiavimų programavimą. Idėja paprasta: kai tyrimą stabdo lėtai kuriamas kodas, agentinė sistema siūlo greitesnį kelią iki veikiančių analizės įrankių.

Vis dėlto mokslininkai pabrėžia ribas: tokios sistemos dažnai remiasi dideliais kalbos modeliais, kurie gali generuoti įtikinamai skambančius, bet klaidingus teiginius. Dėl to praktikoje akcentuojamas žmogaus vaidmuo tiek orkestruojant užduotis, tiek tikrinant kritinius etapus, ypač kai sprendimai gali lemti brangias laboratorines kryptis.

Siekiant mažinti klaidų riziką, daugiaagentėse platformose diegiami vidinės diskusijos ir tarpusavio vertinimo mechanizmai. Tai leidžia vienam agentui tikrinti kito prielaidas, o galutinius sprendimus palikti žmogui, kuris vertina, ar hipotezė moksliškai pagrįsta ir praktiškai patikrinama.

MIT kryptis: DI su fizikos taisyklėmis

Lygiagrečiai Massachusetts Institute of Technology tyrėjai stiprina kitą kryptį, kai DI modeliuose sąmoningai įtvirtinami fizikiniai ir cheminiai apribojimai. Tai ypač svarbu vaistų atrankoje, kur potencialių molekulių erdvė yra milžiniška, o aklas paieškos metodas tampa neefektyvus net ir su didele skaičiavimo galia.

MIT komandos kuriami įrankiai, tokie kaip „ShEPhERD“ ir „FlowER“, siejami su tikslesniu molekulių formos, reakcijų produktų ir sintezės kelių prognozavimu. Pabrėžiama, kad modelių tikslumas didėja, kai jie ne tik mokosi iš pavyzdžių, bet ir privalo laikytis fundamentalių apribojimų, pavyzdžiui, masės tvermės.

Bendra tendencija aiški: DI agentai sparčiai plečia tyrėjų galimybes, tačiau artimiausiu metu jie greičiau taps komandos nariais, o ne visiškais pakaitalais. Didžiausias poveikis tikėtinas ten, kur reikia greitai apdoroti didelius informacijos kiekius, suformuoti patikrinamas hipotezes ir efektyviau nukreipti laboratorinius resursus.