Vers un assistant scientifique basé sur l'intelligence artificielle

Towards an AI co-scientist

February 26, 2025

Auteurs: 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

Résumé

La découverte scientifique repose sur la capacité des scientifiques à générer des hypothèses novatrices qui subissent une validation expérimentale rigoureuse. Pour renforcer ce processus, nous introduisons un co-scientifique IA, un système multi-agents construit sur Gemini 2.0. Ce co-scientifique IA vise à aider à découvrir de nouvelles connaissances originales et à formuler des hypothèses et propositions de recherche démontrablement innovantes, en s'appuyant sur des preuves antérieures et en s'alignant sur les objectifs et directives de recherche fournis par les scientifiques. La conception du système intègre une approche de génération, débat et évolution des hypothèses, inspirée par la méthode scientifique et accélérée par la mise à l'échelle des ressources de calcul au moment des tests. Les contributions clés incluent : (1) une architecture multi-agents avec un cadre d'exécution de tâches asynchrones pour une mise à l'échelle flexible des ressources de calcul ; (2) un processus d'évolution par tournoi pour l'amélioration continue de la génération d'hypothèses. Les évaluations automatisées montrent des bénéfices continus de l'augmentation des ressources de calcul, améliorant la qualité des hypothèses. Bien que généraliste, nous concentrons le développement et la validation dans trois domaines biomédicaux : le repositionnement de médicaments, la découverte de nouvelles cibles, et l'explication des mécanismes de l'évolution bactérienne et de la résistance aux antimicrobiens. Pour le repositionnement de médicaments, le système propose des candidats avec des résultats de validation prometteurs, y compris des candidats pour la leucémie myéloïde aiguë montrant une inhibition tumorale in vitro à des concentrations cliniquement applicables. Pour la découverte de nouvelles cibles, le co-scientifique IA a proposé de nouvelles cibles épigénétiques pour la fibrose hépatique, validées par une activité anti-fibrotique et une régénération des cellules hépatiques dans des organoïdes hépatiques humains. Enfin, le co-scientifique IA a reproduit des résultats expérimentaux non publiés via une découverte in silico parallèle d'un nouveau mécanisme de transfert de gènes dans l'évolution bactérienne. Ces résultats, détaillés dans des rapports séparés et synchronisés, démontrent le potentiel d'améliorer la découverte biomédicale et scientifique et d'inaugurer une ère de scientifiques renforcés par l'IA.

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.