OpenAI GPT-Rosalindと大規模データ分析のための分散型生物学的推論

分散型AIエージェントによる生物学的発見のスケールアップ

OpenAIは、PerturbAIおよびScripps Researchと共同で、GPT-Rosalindを搭載した数千のAIエージェントを使用する生物学的データ分析の新しいアプローチを実証しました。このシステムは、数百万のマウス脳細胞からのデータを32分で分析することに成功しました。これは、人間の研究者が数ヶ月から最大1年かかると推定される作業です。作業負荷を分散させることで、エージェントは遺伝子破壊データと既存の科学文献を結びつけ、アルツハイマー病やパーキンソン病などの疾患に対する新しい生物学的メカニズムや潜在的な研究の方向性を特定することができました。

分散型生物学的推論アプローチ

この研究では、マウスの脳内のさまざまな細胞型に遺伝子破壊がどのように影響するかをマッピングした全脳CRISPRアトラスを処理するために、「分散型生物学的推論」フレームワークを利用しました。このプロセスは次のように機能します。

• タスクの分割: 分析は数千の独立したAIエージェントに分割されます。
• 調査: 各エージェントは特定の遺伝子破壊に焦点を当て、その結果生じる細胞応答を分析し、科学文献のターゲット検索を実行します。
• 統合: エージェントは、遺伝子、細胞への影響、関連する出版物、および提案された生物学的メカニズムを結びつけるレポートを生成します。
• 推論アトラス: これらの個別のレポートは、研究者に発見の構造化された概要を提供する包括的なアトラスにまとめられます。

パフォーマンスとスケーリングの利点

テストの結果、作業負荷を多くのエージェントに分散させることは、単一エージェントのアプローチよりも大幅に優れていることが明らかになりました。作業負荷を拡大した際、単一エージェントのパフォーマンスは低下し、引用された参考文献はわずか11件にとどまりました。対照的に、分散型システムは深さと広さを維持し、同じデータセットに対して700件以上の参考文献を引用しました。ブラインド評価において、人間の専門家は75%の確率で分散型エージェントシステムによる解釈を支持し、エージェントが時間的制約のために人間の研究者が見落とす可能性のある微妙または予期しないシグナルを効果的に特定したと指摘しました。

新しい研究の糸口の特定

このシステムは、神経変性疾患に関する実用的な洞察をすでに生み出しています。

• Tsc1およびTsc2の分析: エージェントは、これら2つの遺伝子が小脳に与える影響の明確な違いを特定し、結節性硬化症を研究する研究者に新しい問いを提供しました。
• コレステロールと神経変性: DCTN1遺伝子破壊データとコレステロール輸送に関する文献を結びつけることで、エージェントはコレステロール代謝とペリー症候群を結びつける仮説を提案しました。人間の専門家は、これを将来の実験的テストのための新規かつ重要な糸口として検証しました。

今後の研究への影響

この手法は、科学者が大規模な実験データと対話する方法を変革します。最も強力で明白なシグナルに分析を限定するのではなく、研究者はAIを活用してより広範な細胞応答を探索できるようになります。生成された推論アトラスはGitHubで公開されており、科学コミュニティがこれらのつながりをさらに調査できるようになっています。実験データと散在する科学的知識の間のギャップを埋めることで、このアプローチは検証可能なアイデアや潜在的な治療介入の特定を加速させることを目指しています。