Google DeepMind Co-Scientist 用於傳染病研究

Google DeepMind 的 Co-Scientist 正被研究人員使用，以加速識別在病原體從動物跳躍到人類時觸發嚴重疾病（如敗血症）的分子開關。這種由 AI 驅動的方法展示了將識別精確氨基酸目標的時間線從典型的兩到三年實驗工作壓縮至約六個月的能力。

加速人畜共通研究中的假設生成

Co-Scientist 透過綜合大量已發表文獻與線上資源，使研究人員能夠快速產生並優先排序科學假設。在一項實際應用中，劍橋大學的 Clare Bryant 教授使用該工具研究鳥類與人類的流感。透過向系統輸入資助提案與研究問題，該工具提供了一組已排名的假設，其中包括研究團隊先前未曾考慮過的新方向。

從蛋白質識別到氨基酸精確度

AI 進入研究工作流程的整合使得目標能夠進行細粒度的精煉，從廣泛的蛋白質候選者縮小到特定的氨基酸。Bryant 教授使用 Co-Scientist 的經驗涉及幾個關鍵的精煉階段：

1. Initial Screening: 工具分析了資助摘要，以提出有前景的假設。
2. Detailed Analysis: 在收到完整專案提案後，Co-Scientist 優先考慮了一種先前未在研究人員雷達上的特定蛋白質，但該蛋白質與相關訊號通路相連。
3. Iterative Refinement: 透過納入未公開的機密數據，研究人員與 AI 進行來回過程以 sharpen 假設，直至它們達到特定氨基酸的層次。

對實驗時間線的影響

在這個情境下，Co-Scientist 的主要價值在於減少手動實驗的試誤過程。Bryant 教授的團隊目前正在建置含有已識別氨基酸突變的細胞系，以測試 AI 精煉後的假設。此過程預計將在六個月內完成，而傳統實驗方法通常需要兩到三年才能達到相同的目標識別水準。

"Co-Scientist 將全部已發表文獻與線上資源彙整起來，幫助我提出更好的問題。它能捕捉我在資料豐富領域中可能遺漏的內容，並協助我設定優先順序，使我的團隊能專注於在實驗室中回答正確的問題。" — Clare Bryant 教授，劍橋大學