Преимущества использования BioDiscoveryAgent в биологических исследованиях
Агенты на основе LLM обладают потенциалом для ускорения научных открытий, особенно в биомедицинских исследованиях. Они используют обширные знания для разработки и интерпретации экспериментов, что особенно полезно для идентификации целей для лекарств через генетические изменения на основе CRISPR. Несмотря на их потенциал, агенты на основе LLM пока не полностью используются в разработке биологических экспериментов. Основные проблемы включают балансировку свободы исследования изменений генов с биологической достоверностью, обеспечение последовательных стратегий экспериментов и сохранение интерпретируемости принятия решений с цитатами из литературы и обратной связью от людей. Эти агенты могут значительно улучшить эффективность скрининга генных изменений, что важно для открытия лекарств и выявления механизмов заболеваний.
Биоинформационный агент BioDiscoveryAgent
Исследователи Университета Стэнфорда и Университета Калифорнии в Сан-Франциско разработали инструмент искусственного интеллекта BioDiscoveryAgent, который разрабатывает генетические эксперименты без необходимости предварительно обученной модели машинного обучения. Используя LLM и различные инструменты, BioDiscoveryAgent предлагает гены для изменения на основе предыдущих знаний и экспериментальных результатов. Он ищет научные публикации, анализирует наборы данных и оценивает свои предсказания. Агент улучшает обнаружение желаемых фенотипов на 18% по сравнению с методами байесовской оптимизации и точно предсказывает комбинации генов. Его прозрачный процесс принятия решений улучшает разработку генетических экспериментов, предоставляя ценный ресурс для биомедицинских исследований.
Применение искусственного интеллекта в научных областях
Искусственный интеллект показал потенциал в различных научных областях, включая моделирование человеческого поведения и изучение математических функций. Модели искусственного интеллекта эффективны при анализе научной литературы и выполнении исследовательских задач, таких как анализ данных и генерация отчетов. Продвижения в области лабораторных экспериментов, основанных на искусственном интеллекте, были значительными, особенно в химическом синтезе и открытии материалов. В биологии LLM захватывают подробную информацию о биологических путях и процессах и могут моделировать эти процессы. Искусственный интеллект для генерации гипотез в функциональной геномике хорошо зарекомендовал себя, решая огромное экспериментальное пространство и комбинаторные задачи. Предыдущие исследования использовали машинное обучение для оптимизации дизайна генетических экспериментов.
Применение BioDiscoveryAgent в биологических экспериментах
BioDiscoveryAgent использует LLM Claude v1 Anthropic для автоматизации научных открытий в биологии. Он получает научные знания, генерирует гипотезы, планирует эксперименты и интерпретирует результаты. На каждом этапе агент выбирает группу генов для тестирования, включая предыдущие результаты в следующий запрос. BioDiscoveryAgent свободно предлагает гены, уточняя список при необходимости. Его формат ответа включает разделы «Рефлексия», «План исследований» и «Решение», обеспечивая интерпретируемость. Агент использует инструменты, такие как поиск литературы через API PubMed, анализ признаков генов и агент-критик для улучшения предсказаний. Этот комплексный подход улучшает разработку генетических экспериментов за счет использования обширных биологических знаний.
Преимущества BioDiscoveryAgent в генетических экспериментах
BioDiscoveryAgent выбирает группы генов для тестирования, включая предыдущие результаты в свои запросы. BioDiscoveryAgent превосходит базовые значения машинного обучения в экспериментах по изменению 1 гена на 18% в среднем, особенно в начальных этапах. Он улучшает производительность, используя инструменты, такие как поиск литературы, анализ сходства генов и агент искусственного интеллекта. В экспериментах по изменению 2 генов он превосходит случайную выборку на 130%. Интеграция предыдущих знаний и экспериментальных наблюдений улучшает принятие решений, подчеркивая важность обоих элементов. Интерпретируемые предсказания BioDiscoveryAgent, подкрепленные ссылками на литературу и критическими анализами, помогают в обратной связи с людьми.
Заключение
BioDiscoveryAgent представляет новый подход к разработке биологических экспериментов, улучшая возможности ученых за счет использования LLM для упрощения процесса в один запрос. В отличие от традиционных многоступенчатых конвейеров, требующих ручного проектирования и переобучения, этот агент эффективно интегрирует предварительные биологические знания и наблюдательные данные. Он решает проблему холодного старта и использует различные инструменты для получения информации из литературы и наборов данных, ускоряя исследования. Хотя он эффективен, его производительность варьируется в зависимости от типов клеток и преимущественно выделяется на ранних стадиях экспериментов. BioDiscoveryAgent дополняет существующие методы, улучшая производительность в условиях недостаточного количества данных и предлагая улучшенное обоснование и интерпретируемость, делая искусственный интеллект необходимым в будущих конструкциях экспериментов.
