Tysiące agentów AI przyspieszyły badania nad chorobą Parkinsona

W dyskusjach o centrach danych, generatywnym szumie i obawach przed zagrożeniami ze strony sztucznej inteligencji łatwo zgubić przykłady zastosowań, które realnie służą nauce. Najnowsza praca OpenAI należy właśnie do tej drugiej kategorii. Firma we współpracy z PerturbAI i Scripps Research wykorzystała tysiące równolegle działających agentów AI do analizy danych z eksperymentów na milionach komórek mózgu myszy. Cały proces zajął 32 minuty.

Zamiast opierać się na jednym modelu, badacze uruchomili wiele niezależnych agentów. Każdy z nich sprawdzał, jak zmiana konkretnego genu wpływa na komórki nerwowe. Wyniki przyniosły potencjalne nowe tropy dotyczące schorzeń neurologicznych, w tym możliwy związek między gospodarką cholesterolem a procesami neurodegeneracyjnymi. System wychwycił też nieoczekiwane różnice między dwoma genami powiązanymi z zaburzeniem rozwoju i funkcji mózgu.

Warto postawić sprawę jasno: to nie jest odkrycie leku na alzheimera czy parkinsona. Uzyskane wskazówki to wczesne hipotezy badawcze, które naukowcy muszą jeszcze zweryfikować w laboratorium. Niemniej eksperyment pokazuje, w jaki sposób AI może przyspieszać naukę medyczną, pomagając dostrzec powiązania ukryte w ogromnych zbiorach istniejących danych.

Co udało się ustalić tysiącom agentów w 32 minuty

Zespół wykorzystał GPT-Rosalind, wyspecjalizowany model OpenAI przeznaczony dla nauk przyrodniczych. Zadaniem systemu była analiza zestawu danych obrazującego skutki zaburzenia działania poszczególnych genów w komórkach mózgu myszy. Każdy agent koncentrował się na jednej konkretnej zmianie genetycznej, badał reakcję komórek, a następnie przeszukiwał literaturę naukową w poszukiwaniu możliwych wyjaśnień. Ustalenia łączono później w swoisty „atlas rozumowania”, który wiąże geny, zmiany na poziomie komórkowym i dotychczasową wiedzę.

Skala oszczędności czasu robi wrażenie. Według szacunków zespołu ręczne przejrzenie tego samego materiału, zmiana po zmianie, zajęłoby od kilku miesięcy do roku. Agenci uporali się z zadaniem w nieco ponad pół godziny.

Gen DCTN1 i cholesterol pod lupą

Jednym z ciekawszych wątków okazał się gen DCTN1, związany z zespołem Perry’ego – rzadką chorobą neurodegeneracyjną wywołującą objawy podobne do parkinsonowskich. Po zaburzeniu tego genu badacze zaobserwowali wzmożoną aktywność genów odpowiedzialnych za wytwarzanie cholesterolu. Agenci powiązali tę obserwację z wcześniejszymi pracami sugerującymi, że problemy z transportem cholesterolu wewnątrz komórek mogą pobudzać jego dodatkową produkcję.

Zaskakująca różnica między Tsc1 a Tsc2

Drugi trop dotyczył genów Tsc1 i Tsc2. Choć współpracują one przy regulacji wzrostu i metabolizmu komórek, ich zaburzenie wywołało odmienne efekty w określonych neuronach móżdżku – struktury odpowiedzialnej za koordynację ruchów. To właśnie tego rodzaju niuanse bywają trudne do wychwycenia przy tradycyjnej, ręcznej analizie.

Dlaczego wiele agentów okazało się lepsze niż jeden model

Badacze chcieli sprawdzić, czy rozproszenie pracy na tysiące agentów daje realną przewagę nad powierzeniem całości jednemu silnemu systemowi. Eksperyment porównawczy wypadł jednoznacznie.

Przy największym obciążeniu pojedynczy agent przywołał zaledwie 11 odniesień naukowych. Agenci działający równolegle wskazali ponad 700 źródeł. Co więcej, niezależni eksperci, którzy oceniali raporty bez wiedzy o tym, kto je przygotował, w 75% przypadków wybrali opracowania powstałe w modelu rozproszonym.

Mechanizm jest prosty: dzieląc duże zagadnienie na mniejsze pytania przydzielane tysiącom agentów, system może zbadać znacznie więcej możliwości. Nie wymaga przy tym, by człowiek przeczytał każdą publikację czy przeanalizował każdą zmianę genetyczną osobno.

Co to oznacza dla przyszłości medycyny

Eksperymenty biologiczne generują dane z milionów komórek, ale badaczom często brakuje czasu i środków, by zgłębić każdy nietypowy wynik. Agenci AI mogą pomóc zmniejszyć tę lukę, łącząc obserwacje z eksperymentów z opublikowanymi pracami i wskazując naukowcom pytania warte dalszego zbadania.

Jak ujął to Tomasz Nowakowski, profesor nadzwyczajny neurochirurgii na Uniwersytecie Kalifornijskim w San Francisco, część naukowych wskazówek jest już dostępna, lecz rozproszona po różnych dziedzinach. Ich połączenie może otworzyć nowe sposoby myślenia o chorobach – z nadzieją na skuteczniejsze terapie w przyszłości.

Omawiane badanie nie dostarcza gotowych rozwiązań. Pokazuje jednak kierunek, w którym może podążać wspomagana przez AI analiza danych biomedycznych: szybsze przeszukiwanie literatury, łączenie odległych obserwacji i generowanie hipotez do weryfikacji. Jeśli kolejne prace potwierdzą skuteczność takiego podejścia, rozproszone systemy agentów mogą stać się stałym elementem wyposażenia laboratoriów – nie zastępując naukowców, lecz pozwalając im skupić się na tym, co najważniejsze: stawianiu właściwych pytań i testowaniu uzyskanych tropów.