Verso un co-scienziato IA

Towards an AI co-scientist

February 26, 2025

Autori: 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

Abstract

La scoperta scientifica si basa sulla capacità degli scienziati di generare ipotesi innovative che vengono sottoposte a una rigorosa validazione sperimentale. Per potenziare questo processo, introduciamo un co-scienziato AI, un sistema multi-agente basato su Gemini 2.0. Il co-scienziato AI è progettato per aiutare a scoprire nuove conoscenze originali e a formulare ipotesi e proposte di ricerca dimostrabilmente innovative, basandosi su evidenze precedenti e allineandosi agli obiettivi e alle indicazioni fornite dagli scienziati. Il design del sistema incorpora un approccio di generazione, dibattito ed evoluzione delle ipotesi, ispirato al metodo scientifico e accelerato dalla scalabilità del calcolo durante i test. I contributi chiave includono: (1) un'architettura multi-agente con un framework di esecuzione asincrona dei compiti per una scalabilità flessibile del calcolo; (2) un processo di evoluzione a torneo per l'auto-miglioramento della generazione delle ipotesi. Le valutazioni automatizzate mostrano benefici continui del calcolo durante i test, migliorando la qualità delle ipotesi. Sebbene sia di natura generale, ci concentriamo sullo sviluppo e la validazione in tre aree biomediche: il riposizionamento dei farmaci, la scoperta di nuovi target e la spiegazione dei meccanismi dell'evoluzione batterica e della resistenza antimicrobica. Per il riposizionamento dei farmaci, il sistema propone candidati con risultati promettenti di validazione, inclusi candidati per la leucemia mieloide acuta che mostrano inibizione tumorale in vitro a concentrazioni clinicamente applicabili. Per la scoperta di nuovi target, il co-scienziato AI ha proposto nuovi target epigenetici per la fibrosi epatica, validati da attività antifibrotica e rigenerazione delle cellule epatiche in organoidi epatici umani. Infine, il co-scienziato AI ha ricapitolato risultati sperimentali non pubblicati attraverso una scoperta in silico parallela di un nuovo meccanismo di trasferimento genico nell'evoluzione batterica. Questi risultati, dettagliati in rapporti separati e co-temporizzati, dimostrano il potenziale di potenziare la scoperta biomedica e scientifica e di inaugurare un'era di scienziati potenziati dall'AI.

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.