Google DeepMind Co-Scientist 加速肝病研究

Google DeepMind 的 Co-Scientist AI 系統正被用來透過合併大量醫學文獻來生成可測試的假設，從而加速複雜肝病底層機制的發現。此能力使研究人員能夠繞過潛在藥物配對的「組合爆炸」，並確定組合療法的特定分子目標。

解決 MASH 的複雜性

代謝功能障礙相關性脂肪肝炎（MASH）是一種常見的肝病，其特徵是生物過程交織，具體來說是肝炎和代謝。由於這些過程緊密相連，僅針對單一機制的藥物往往無法提供足夠的治療。這種複雜性需要組合療法，但潛在藥物配對的龐大數量使得手動發現變得極其緩慢。

Professor Filippo Menolascina 和他的團隊在愛丁堡大學利用 Co-Scientist 來應對這個挑戰。該 AI 系統執行了以下功能：

• 文獻合成：通過篩選大量醫學數據，發現肝生物學與藥理學之間被忽視的聯繫。
• 機制識別：凸顯值得深入調查的特定生物機制。
• 療法建議：標記適合實驗測試的候選組合療法。

識別 NLRP3 炎症體橋樑

Co-Scientist 透過針對藥物 resmetirom 的特定臨床空白來展示其實用性，該藥物是最近獲批的 MASH 治療藥物，僅惠及少數符合條件的患者。

透過其分析，Co-Scientist 提出了一個假設，將 NLRP3 炎症體 認定為在 MASH 中耦合炎症和代謝的分子橋樑。這種特定的連接此前未曾被整合為單一的可執行解釋。在 AI 的假設指導下，團隊實驗驗證了 NLRP3 炎症體的作用，這項發現可能會促進針對更廣泛患者群體的雙重療法的開發。

對科學迭代的影響

將如 Co-Scientist 這樣的多代理 AI 夥伴整合到醫學研究中，旨在顯著縮短實現科學突破所需的迭代週期。

"Co-Scientist 對科學家來說就像是一個噴射背包，提升了我們識別有前景機制的能力。我認為我們正處於科學革命的邊緣，這將顯著縮短實現突破所需的迭代週期。"

— Professor Filippo Menolascina, University of Edinburgh