Nature тут выложили back-to-back 3 AI-учёных: Robin от FutureHouse, Co-Scientist и ERA от Google DeepMind / Research 🤖
Разговоры про ИИ в науке ходят уже давно и одним из популярных способов критики всегда оставался тезис о том, что наука это не только про *делать*, но и про *думать*, и только люди способны ориентироваться в пространстве идей и вопросов и находить самые интересные из них. И вот эти три работы как раз исследуют возможности ИИ-автоматизированной генерации научных гипотез 💡. Robin и Co-Scientist сами разработали и предложили несколько вариантов терапий от сухой возрастной макулярной дегенерации и острого миелоидного лейкоза (в обоих случаях показали успешные in vitro проверки, которые все еще неисчетно далеки от каких-либо клинических испытаний)
Мне особенно понравилась часть где Co-Scientist'у поставили задачу понять механизм широкого распространения и быстрого переноса генов вирулентности и устойчивости к антибиотикам между различными видами бактерий 🦠 (например, между E. coli и K. pneumoniae). Через 2 дня Co-Scientist предположил что специальные хромосомные островки (cf-PICI) цепляются за хвосты бактериофагов и так путешествуют по миру. Прикол заключался в том что это недавно и открыли, но работа тогда еще не была опубликована.
Также принято говорить что ИИ-агенты галюцинируют до безобразия 🤪. Однако, во-первых, во всех работах стараются заявить что им удалось сократить эти галюцинации. А во-вторых, некоторый уровень галюцинаций это ведь ровно то что и отличает нобелевские открытия от обычного лабораторного копошения.
ERA - тоже интересный шаг вперед от гугла. DeepMind сделали себе имя обучая ИИ играть в компьютерные игры, но там понятные правила и понятные условия победы / поражения. Здесь же они превратили задачу написания научного софтвера в такую же "scorable task" 📈, например, с помощью использования уже готовых методов и датасетов для бенчмаркинга (e.g. OpenProblems). Так, например, ERA придумал новые методы батч-коррекции scRNA-seq данных которые обошли человеческие решения, например, комбинацию ComBat и BBKNN. Но справедливости ради ему так и поставили задачу - проанализировать существующие методы и попробовать их прокомбинировать. Ну и сомневаюсь что эти методы в итоге войдут в обиход.
В любом случае пока что можно не переживать, это все еще human-in-the-loop наука 👨🔬, где человек нужен чтобы и запустить этого агента и чтобы провести in vivo / in vitro валидацию (хотя про ИИ здесь тоже как-нибудь напишу). Но теперь ИИ нам позволяет не только по-быстрому накидать код или текст, но и целиком исследовать какую-нибудь гипотезу. У меня уже случилась ситуация, где я не очень успевал проверить все идеи в данных одного нашего коллаборатора, и он поручил их Kosmos'y (сукцессор-новация Robin'a).
Почитать про то какие возможности ИИ уже предлагает ученым можно в эссе от вице-президентов Google и DeepMind: Gemini for Science: AI experiments and tools for a new era of discovery 🦾.
📡 А еще заходите к Nature принять участие в опросе Do you hate or love AI? :)
—
Why AI cannot do good science without humans | Nature editorials
Teams of AI agents boost speed of research | Nature news