OpenAI e i partner hanno mostrato come l'IA accelera di centinaia di volte l'analisi di enormi masse di dati scientifici

Modificato da: Tatyana Hurynovich

OpenAI showed that AI agents can handle the slowest step in modern biology, making sense of huge experiments. By splitting a huge brain experiment among 1,946 AI agents, OpenAI got in 32 minutes what it estimates would take people months: a ranked list of leads for new

Image
OpenAI
OpenAI
@OpenAI

GPT-Rosalind surfaced a new lead for drug discovery: could restoring cholesterol transport protect neurons from degeneration? DCTN1 is a gene linked to Perry syndrome, a rare neurodegenerative disorder. In mouse-brain data, disrupting it increased expression of genes involved in

Reply

OpenAI, insieme all'azienda biotech PerturbAI e a Scripps Research, ha dimostrato come gli agenti IA distribuiti possano accelerare il lavoro con enormi masse di dati biologici.

Il team ha utilizzato migliaia di agenti basati su GPT-Rosalind per analizzare il whole-brain CRISPR atlas, ovvero i dati sull'effetto delle alterazioni geniche su milioni di cellule del cervello di topo. Ogni agente studiava un gene: analizzava le reazioni cellulari, cercava collegamenti nella letteratura scientifica e proponeva possibili spiegazioni.

L'intero processo ha richiesto 32 minuti. I ricercatori stimano che un'analisi manuale comparabile e una rassegna della letteratura su un singolo gene avrebbero potuto richiedere da diversi mesi a un anno.

Qual è il punto

L'IA non ha condotto nuovi esperimenti né ha dimostrato la causa della malattia. Ha elaborato rapidamente dati già esistenti, individuato regolarità e proposto ipotesi che ora gli scienziati possono verificare in laboratorio.

I risultati sono stati riuniti in un reasoning atlas, una mappa che collega geni, effetti cellulari, pubblicazioni scientifiche e possibili meccanismi. Un atlante di questo tipo aiuta i ricercatori a non setacciare i dati manualmente, ma a vedere subito le direzioni più promettenti.

Perché è importante

Il valore principale del progetto è la scala. Migliaia di agenti hanno analizzato in parallelo i dati su milioni di cellule e citato più di 700 fonti scientifiche. Per confronto: un singolo agente nello stesso test ha utilizzato solo 11 fonti.

In un confronto in cieco i biologi hanno scelto più spesso i rapporti degli agenti distribuiti, nel 75% dei casi. Ciò non significa che l'IA abbia sempre ragione, ma mostra che il sistema è in grado di fornire conclusioni di ricerca utili e ben fondate.

Che cosa hanno trovato

Tra le ipotesi ci sono differenze inattese nell'azione dei geni Tsc1 e Tsc2 nel cervelletto: l'alterazione di Tsc2 ha modificato l'attività di decine di geni, mentre quella di Tsc1 quasi per nulla.

Un altro esempio riguarda il gene DCTN1, le cui mutazioni sono associate a una rara malattia neurodegenerativa, la sindrome di Perry. L'alterazione di questo gene ha aumentato l'espressione dei geni coinvolti nella sintesi del colesterolo. Non è una causa accertata della malattia, ma un possibile indizio che richiede ulteriori verifiche.

Che cosa succede dopo

Il reasoning atlas è già disponibile per i ricercatori: può essere utilizzato per cercare nuove ipotesi e pianificare esperimenti.

I partner considerano l'approccio un modo per individuare più rapidamente potenziali bersagli farmacologici. Se il metodo sarà confermato su altri dati, potrebbe rendere più sistematica la ricerca di nuovi farmaci. Ma per ora si tratta di una fase iniziale: l'IA propone idee, mentre le conclusioni definitive restano agli scienziati e agli esperimenti di laboratorio.

8 Visualizzazioni

Fonti

  • Using thousands of AI agents to uncover new leads in biological data

Commenti

Leggi altri articoli su questo argomento:

Hai trovato un errore o un'inaccuratezza?Esamineremo il tuo commento il prima possibile.