OpenAI en partners tonen hoe AI de analyse van enorme hoeveelheden wetenschappelijke data honderden keren sneller maakt

Bewerkt door: 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 heeft samen met biotechbedrijf PerturbAI en Scripps Research gedemonstreerd hoe gedistribueerde AI-agenten het werken met enorme hoeveelheden biologische data kunnen versnellen.

Het team gebruikte duizenden agenten op basis van GPT-Rosalind om een whole-brain CRISPR-atlas te analyseren — gegevens over de invloed van genverstoringen op miljoenen hersencellen van muizen. Elke agent bestudeerde één gen: analyseerde cellulaire reacties, zocht verbanden in de wetenschappelijke literatuur en stelde mogelijke verklaringen voor.

Het hele proces duurde 32 minuten. Onderzoekers schatten dat een vergelijkbare handmatige analyse en literatuurstudie per gen enkele maanden tot een jaar zou kunnen duren.

Wat is de kern

De AI voerde geen nieuwe experimenten uit en bewees niet de oorzaak van de ziekte. Hij verwerkte snel reeds bestaande gegevens, vond patronen en stelde hypothesen voor die wetenschappers nu in het laboratorium kunnen toetsen.

De resultaten werden samengebracht in een reasoning atlas — een kaart waarin genen, cellulaire effecten, wetenschappelijke publicaties en mogelijke mechanismen met elkaar verbonden zijn. Zo'n atlas helpt onderzoekers om niet handmatig door de data te hoeven spitten, maar meteen de meest veelbelovende richtingen te zien.

Waarom dit belangrijk is

De grootste waarde van het project is de schaal. Duizenden agenten verwerkten parallel gegevens over miljoenen cellen en citeerden meer dan 700 wetenschappelijke bronnen. Ter vergelijking: een enkele agent gebruikte in dezelfde test slechts 11 bronnen.

In een blinde vergelijking kozen biologen vaker de rapporten van gedistribueerde agenten — in 75% van de gevallen. Dat betekent niet dat de AI altijd gelijk heeft, maar het toont aan dat het systeem nuttige en goed onderbouwde onderzoeksconclusies kan opleveren.

Wat er werd gevonden

Onder de hypothesen bevonden zich onverwachte verschillen in de werking van de genen Tsc1 en Tsc2 in het cerebellum: verstoring van Tsc2 veranderde de activiteit van tientallen genen, terwijl Tsc1 vrijwel geen effect had.

Een ander voorbeeld betreft het gen DCTN1, waarvan mutaties verband houden met een zeldzame neurodegeneratieve aandoening — het syndroom van Perry. Verstoring van dit gen verhoogde de expressie van genen die betrokken zijn bij de synthese van cholesterol. Dit is geen vastgestelde oorzaak van de ziekte, maar een mogelijk spoor dat verder onderzoek vereist.

Wat nu verder

De reasoning atlas is al beschikbaar voor onderzoekers: hij kan worden gebruikt om nieuwe hypothesen te vinden en experimenten te plannen.

De partners beschouwen de aanpak als een manier om sneller potentiële aangrijpingspunten voor medicijnen te vinden. Als de methode wordt bevestigd op andere gegevens, kan hij de zoektocht naar nieuwe geneesmiddelen systematischer maken. Maar dit is voorlopig een vroege fase: de AI stelt ideeën voor, en de definitieve conclusies blijven aan de wetenschappers en laboratoriumexperimenten.

11 Weergaven

Bronnen

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

Reacties

Lees meer artikelen over dit onderwerp:

Korea Aerospace Industries says its AI module on the 12U BEE-1012 CubeSat, launched on Nuri Oct 7, passed an orbital pilot Oct 20. Given a simulated fault, it diagnosed cause and scope and sent back a fix plan. A main demo starts in December. Image Credit: Yonsei University

Image
Reply

Great paper from Anthropic on AI agents doing ML-for-science research. (bookmark it) If you build AI-scientist systems, this one is worth your time. They propose Agent4Sci, which gives frontier coding agents 20 scientific ML benchmarks across 11 domains and asks them to beat

Image
Reply
Heb je een fout of onnauwkeurigheid gevonden?We zullen je opmerkingen zo snel mogelijk in overweging nemen.