רותמים סוכני בינה מלאכותית ומומחיות אנושית, מאיצים את העיצוב של גופי ננו חדשניים כדי להילחם בגרסאות SARS-CoV-2 המתפתחות.
מחקר: המעבדה הוירטואלית: סוכני בינה מלאכותית מעצבים ננו-גופי SARS-CoV-2 חדשים עם אימות ניסיוני. קרדיט תמונה: Shutterstock AI
*הודעה חשובה: bioRxiv מפרסם דוחות מדעיים ראשוניים שאינם נבדקים על ידי עמיתים, ולכן אין לראות בהם מכריעים, מנחים פרקטיקה קלינית/התנהגות הקשורה לבריאות, או להתייחס אליהם כאל מידע מבוסס.
ב-preprint שפורסם לאחרונה ב- bioRxiv שרת preprint*, חוקרים מאוניברסיטת סטנפורד וצ'אן צוקרברג ביוהוב יצרו "מעבדה וירטואלית", שיתוף פעולה מחקרי של בינה מלאכותית ובני אדם, לעיצוב קלסרים לננו-גוף המכוונים לגרסאות של תסמונת נשימתית חריפה חמורה וירוס קורונה 2 (SARS-CoV-2) באמצעות צינור חישובי.
הם גילו שמעבדה וירטואלית יכולה לעצב בהצלחה 92 גופי ננו חדשים, כאשר שניים מראים קישור משופר לגרסאות ה-SARS-CoV-2 האחרונות, במיוחד גרסאות JN.1 ו-KP.3, המשמשים מועמדים מבטיחים לחקירה נוספת.
רֶקַע
מחקר מדעי בין-תחומי דורש שיתוף פעולה בין מומחים מתחומים מגוונים, אך תיאום צוותים גדולים יכול להיות מאתגר, במיוחד עבור קבוצות חסרות משאבים.
מודלים של שפה גדולים (LLMs) כמו ChatGPT וקלוד צברו פופולריות עבור סיוע לחוקרים במשימות שונות, כגון מענה על שאלות מדעיות, סיכום מאמרים וכתיבת קוד.
למרות ש-LLMs מראים פוטנציאל גדול למשימות ספציפיות, הם לא נבדקו באופן נרחב במחקר מורכב ופתוח המתפרש על פני דיסציפלינות מרובות.
מסגרות קיימות כמו ChemCrow ו-Coscientist מתמקדות בתחומים ספציפיים כמו כימיה ותכנון סינתזה, בעוד AI Scientist מנסה לכסות את תהליך המחקר המלא אך נשאר מוגבל ליישומי למידת מכונה צרים.
מאמצים אלה לרוב חסרים אימות בעולם האמיתי ואינם מטפלים באתגרים של מחקר בין-תחומי הדורש חשיבה רב-שלבית על פני תחומים, מה שמקשה על קבוצות חסרות משאבים לעסוק בגילוי מדעי מתקדם.
במחקר הנוכחי, החוקרים הציגו מסגרת חדשה, "מעבדה וירטואלית", שיתוף פעולה בינה מלאכותית-אנושית שפותחה כדי להתמודד עם בעיות בינתחומיות מורכבות והשתמשו בה כדי לעצב ננו-גוף חדשניים המכוונים לגרסאות ה-SARS-CoV-2 העדכניות ביותר.
על המחקר
המעבדה הוירטואלית מורכבת משילוב של פגישות צוות ואינדיווידואליות, שבהן החוקר האנושי קובע את סדר היום, וסוכני LLM (למשל, ביולוגים, מומחי למידת מכונה) תורמים ידע מיוחד כדי להשיג את מטרות המחקר.
המחקר מונחה על ידי סוכן חוקר ראשי (PI), שבוחר סוכני מדע מתאימים, מגדיר את תפקידיהם ומנחה את התהליך הכולל.
בפגישות צוות, כל הסוכנים דנים בנושאי מחקר רחבים, והקלט שלהם מסונתז על ידי ה-PI כדי להנחות את קבלת ההחלטות. עבור משימות ספציפיות יותר, פגישות בודדות מתקיימות עם סוכן יחיד, לעתים קרובות בסיוע סוכן מבקר מדעי כדי לספק משוב.
הסוכנים, כל אחד מוגדר על ידי כותרת, מומחיות, מטרה ותפקיד, משתפים פעולה כדי לטפל בשאלות מחקר מורכבות בצורה מובנית, עם סבבי דיון מרובים במידת הצורך.
דוגמה למעבדה הוירטואלית בפעולה היא היישום שלה לעיצוב ננו-גוף למלחמה בנגיף SARS-CoV-2.
סוכן ה-PI מרכיב צוות (למשל, אימונולוג, מומחה למידת מכונה) כדי לציין את כיוון הפרויקט, לבחור כלים חישוביים (למשל, ESM, AlphaFold-Multimer, Rosetta), ולהטמיע כלים אלה לעיצוב ננו-גוף.
כלים אלה מסייעים באופטימיזציה של רצפי ננו-גוף באמצעות תהליכים שונים, כגון ניתוח סבירות יומן, חיזוי מבניים וחישובי אנרגיה מחייבת.
כל שלב מיושם באמצעות פגישות אישיות עם סוכנים רלוונטיים, ולאחר מכן פגישת מיזוג כדי להבטיח תוצאות באיכות גבוהה.
תוצאות ודיון
המעבדה הוירטואלית ערכה זרימת עבודה חישובית מפורטת לתכנון מועמדים משופרים של ננו-גוף המתמקדים בגרסה KP.3 של SARS-CoV-2.
זרימת העבודה כללה מספר סבבים של מוטציה וניתוח עבור ארבעה ננו-גוף מתחילים: Ty1, H11-D4, Nb21 ו-VHH-72. כל סיבוב חידד את הננו-גופי על ידי הצגת מוטציות המונחות על ידי מדדי ניקוד ספציפיים כגון ESM log-likelihood ratio (LLR), בטחון ממשק AlphaFold (ipLDDT) ואנרגיית קישור של Rosetta (dG).
מדדים אלה עזרו לזהות רצפים מוטנטים מובילים, אשר אושרו לאחר מכן בניסוי.
התהליך התחיל בהערכת הננו-גוף מהסוג הפראי ולאחר מכן הציג באופן איטרטיבי מוטציות נקודתיות, תוך שימוש בכלים חישוביים כדי לחזות שיפור בקישור מבניים.
לאחר ארבעה סבבים, הרצפים הטובים ביותר, המבוססים על הציון המשוקלל המשולב (WS), נבחרו לאימות ניסיוני.
התוצאות הראו שתהליך המוטציה שיפר באופן עקבי את איכות הננו-גופים במונחים של זיקה מחייבת ויציבות מבנית.
אימות ניסיוני של 92 ננו-גופי המוטנטיים שנבחרו הראה ש-38% הראו רמות ביטוי גבוהות ב-E. coli, כאשר 85% הראו קישור משופר לחלבון ה-Wuhan receptor-binding domain (RBD).
יש לציין, שני מוטנטים חדשים הדגימו קישור לגרסאות נוספות, כגון JN.1 ו-KP.3 RBD, המיוחסות למוטציות ספציפיות כמו R37Q ו-L59E, אשר ככל הנראה שיפרו אינטראקציות אלקטרוסטטיות וקשירת מימן.
זרימת העבודה של המעבדה הוירטואלית כללה קלט אנושי מינימלי, כאשר רוב העבודה נוצרה על ידי סוכני ה-LLM. הסוכנים שיתפו פעולה בצוותים בינתחומיים, כאשר סוכן ה-PI הנחה את התהליך הכולל.
פגישות מקבילות וקלט ממבקר מדעי שיפרו את איכות הפלט, והדגימו את הכוח של גישה שיתופית זו לגילוי מדעי מהיר וחזק, והאיצו פרויקטים מורכבים כמו עיצוב ננו-גוף.
מַסְקָנָה
לסיכום, למרות שמוגבל על ידי נתוני הכשרה מיושנים של LLM, כלים לא מושלמים ואתגרים הנדסיים מהירים, המעבדה הוירטואלית מציגה גישה פורצת דרך למחקר בין-תחומי על ידי שילוב חלק של סוכני AI עם מומחיות אנושית, המאפשרת גילוי מדעי מהיר ויעיל יותר.
חוקרים הצהירו שככל ש-LLMs מתפתחים, היעילות של המסגרת בהנעת מחקר בין-תחומי צפויה להשתפר עוד יותר, ועלולה להתרחב ליישומים מעבר למחקר ביולוגי.
זה פראי ועתידני. מעבדה וירטואלית המורכבת ממספר (5) #AI סוכנים שתכננו ננו-גוף חזקים לעומת #SARS-CoV-2 עם פיקוח אנושי מינימלי.https://t.co/eO5hTRTyEp @james_y_zou @KyleWSwanson @czbiohub @סטנפורד pic.twitter.com/RswSWbKUxj
— אריק טופול (@EricTopol) 13 בנובמבר 2024
*הודעה חשובה: bioRxiv מפרסם דוחות מדעיים ראשוניים שאינם נבדקים על ידי עמיתים, ולכן אין לראות בהם מכריעים, מנחים פרקטיקה קלינית/התנהגות הקשורה לבריאות, או להתייחס אליהם כאל מידע מבוסס.
