Hin zu einem KI-Co-Wissenschaftler

Towards an AI co-scientist

February 26, 2025

Autoren: Juraj Gottweis, Wei-Hung Weng, Alexander Daryin, Tao Tu, Anil Palepu, Petar Sirkovic, Artiom Myaskovsky, Felix Weissenberger, Keran Rong, Ryutaro Tanno, Khaled Saab, Dan Popovici, Jacob Blum, Fan Zhang, Katherine Chou, Avinatan Hassidim, Burak Gokturk, Amin Vahdat, Pushmeet Kohli, Yossi Matias, Andrew Carroll, Kavita Kulkarni, Nenad Tomasev, Yuan Guan, Vikram Dhillon, Eeshit Dhaval Vaishnav, Byron Lee, Tiago R D Costa, José R Penadés, Gary Peltz, Yunhan Xu, Annalisa Pawlosky, Alan Karthikesalingam, Vivek Natarajan

cs.AI

Zusammenfassung

Wissenschaftliche Entdeckungen beruhen darauf, dass Wissenschaftler neue Hypothesen entwickeln, die einer rigorosen experimentellen Validierung unterzogen werden. Um diesen Prozess zu unterstützen, führen wir einen KI-Co-Wissenschaftler ein, ein Multi-Agenten-System, das auf Gemini 2.0 basiert. Der KI-Co-Wissenschaftler soll dabei helfen, neues, originäres Wissen zu erschließen und nachweislich neuartige Forschungshypothesen und -vorschläge zu formulieren, die auf früheren Erkenntnissen aufbauen und mit den von Wissenschaftlern vorgegebenen Forschungszielen und -richtlinien übereinstimmen. Das Design des Systems integriert einen Ansatz zur Hypothesengenerierung, der auf den Prinzipien der wissenschaftlichen Methode basiert und durch die Skalierung der Rechenleistung während der Testphase beschleunigt wird. Zu den zentralen Beiträgen gehören: (1) eine Multi-Agenten-Architektur mit einem asynchronen Aufgabenausführungsrahmen für flexible Rechenleistungsskalierung; (2) ein Turnier-Evolutionsprozess zur selbstverbessernden Hypothesengenerierung. Automatisierte Auswertungen zeigen kontinuierliche Vorteile durch die Rechenleistung während der Testphase, die die Qualität der Hypothesen verbessert. Obwohl das System allgemein einsetzbar ist, konzentrieren wir uns auf die Entwicklung und Validierung in drei biomedizinischen Bereichen: Medikamenten-Neupositionierung, Entdeckung neuer Zielmoleküle und die Erklärung von Mechanismen der bakteriellen Evolution und Antibiotikaresistenz. Für die Medikamenten-Neupositionierung schlägt das System Kandidaten mit vielversprechenden Validierungsergebnissen vor, darunter Kandidaten für akute myeloische Leukämie, die in vitro bei klinisch relevanten Konzentrationen eine Tumorhemmung zeigen. Bei der Entdeckung neuer Zielmoleküle schlug der KI-Co-Wissenschaftler neue epigenetische Ziele für Leberfibrose vor, die durch antifibrotische Aktivität und Leberzellregeneration in humanen Leberorganoiden validiert wurden. Schließlich reproduzierte der KI-Co-Wissenschaftler unveröffentlichte experimentelle Ergebnisse durch eine parallele in-silico-Entdeckung eines neuartigen Gentransfermechanismus in der bakteriellen Evolution. Diese Ergebnisse, die in separaten, zeitgleich veröffentlichten Berichten detailliert beschrieben werden, demonstrieren das Potenzial, die biomedizinische und wissenschaftliche Entdeckung zu unterstützen und ein Zeitalter von KI-unterstützten Wissenschaftlern einzuläuten.

English

Scientific discovery relies on scientists generating novel hypotheses that undergo rigorous experimental validation. To augment this process, we introduce an AI co-scientist, a multi-agent system built on Gemini 2.0. The AI co-scientist is intended to help uncover new, original knowledge and to formulate demonstrably novel research hypotheses and proposals, building upon prior evidence and aligned to scientist-provided research objectives and guidance. The system's design incorporates a generate, debate, and evolve approach to hypothesis generation, inspired by the scientific method and accelerated by scaling test-time compute. Key contributions include: (1) a multi-agent architecture with an asynchronous task execution framework for flexible compute scaling; (2) a tournament evolution process for self-improving hypotheses generation. Automated evaluations show continued benefits of test-time compute, improving hypothesis quality. While general purpose, we focus development and validation in three biomedical areas: drug repurposing, novel target discovery, and explaining mechanisms of bacterial evolution and anti-microbial resistance. For drug repurposing, the system proposes candidates with promising validation findings, including candidates for acute myeloid leukemia that show tumor inhibition in vitro at clinically applicable concentrations. For novel target discovery, the AI co-scientist proposed new epigenetic targets for liver fibrosis, validated by anti-fibrotic activity and liver cell regeneration in human hepatic organoids. Finally, the AI co-scientist recapitulated unpublished experimental results via a parallel in silico discovery of a novel gene transfer mechanism in bacterial evolution. These results, detailed in separate, co-timed reports, demonstrate the potential to augment biomedical and scientific discovery and usher an era of AI empowered scientists.