OpenAIは、PerturbAIおよびScripps Researchと協力し、「分散型生物学的推論（distributed biological reasoning）」と呼ぶフレームワークを用いて生物学的研究をスケールアップする手法を実証しました。GPT-Rosalindを搭載した数千のAIエージェントを配備することで、チームは全脳CRISPRアトラスを分析しました。これは、特定の遺伝子の破壊がマウスの脳全体における異なる細胞タイプにどのように影響を与えるかを詳細に示すデータセットです。各エージェントには単一の遺伝子破壊の調査が割り当てられ、細胞反応の分析、関連する科学文献の探索、および生物学的な説明の提案を任務として行いました。エージェントはそれぞれの報告を統合し、遺伝子、細胞への影響、および潜在的なメカニズムを関連付ける「推論アトラス」を作成しました。
この画像は、AIエージェントがマッピングを任されている複雑な生物学的データと神経構造を視覚的に表現したものです。
このアプローチの主なメカニズムは、文献レビューとデータ解釈の並列化です。研究者たちは、単一のAIエージェントでもデータを処理することは可能であるものの、規模の拡大には苦労することを発見しました。最大負荷時において、単一のエージェントはわずか11の参考文献を引用したに過ぎませんでした。対照的に、分散型エージェントのアプローチでは700以上の参考文献を引用し、発見に対してより広範な文脈を提供しました。この手法により、チームはコレステロール代謝と神経変性の間の潜在的な関連性や、Tsc1およびTsc2遺伝子が小脳に与える影響の具体的な違いなど、予期せぬつながりを特定することができました。エージェントは、人間が行った既存の発見を再現するだけでなく、DCTN1遺伝子とそのコレステロール分布における役割に関する仮説など、新たな手がかりも明らかにしました。
AIの出力のスピードと広さにもかかわらず、この研究は「手がかり」の生成と「臨床的検証」の達成との間の違いを強調しています。エージェントは数十年にわたる散在した知識を数分で検証可能な仮説へと統合できますが、創薬における実際のボトルネックは、理論的な手がかりから検証済みの臨床結果への移行に依然としてあります。さらに、この研究では、人間の専門家が75%の割合で分散型エージェントの報告を好んだ一方で、AIの役割は人間の科学者に取って代わることではなく、能力を拡張することにあると指摘しています。目標は、研究者に実験室環境でテストすべき優先順位の高い質問とメカニズムのリストを提供し、大規模な実験データを実用的な研究の方向へと効果的に変換することです。