“`html
Агенты на основе LLM обладают потенциалом для ускорения научных открытий, особенно в биомедицинских исследованиях. Они используют обширные знания для проектирования и интерпретации экспериментов, особенно полезные для идентификации целей для лекарств через генетическое воздействие на основе CRISPR. Несмотря на их потенциал, агенты на основе LLM еще не полностью используются при проектировании биологических экспериментов. Проблемы включают в себя балансировку свободы в исследовании генетических воздействий с биологической обоснованностью, обеспечение согласованных стратегий экспериментов для различных задач и поддержание интерпретируемости принятия решений с цитированием литературных источников и обратной связью от людей. Эти агенты могут значительно улучшить эффективность скрининга генетических воздействий, что важно для поиска лекарств и выявления механизмов заболеваний.
Университет Стэнфорда и Университет Калифорнии в Сан-Франциско разработали BioDiscoveryAgent, инструмент ИИ, который проектирует генетические воздействия без необходимости предварительно обученной модели машинного обучения. Используя LLM и различные инструменты, BioDiscoveryAgent предлагает гены для воздействия на основе предыдущих знаний и результатов экспериментов. Он ищет научные статьи, анализирует наборы данных и критикует свои прогнозы. Агент улучшает выявление желаемых фенотипов на 18% по сравнению с методами байесовской оптимизации и точно предсказывает комбинации генов. Прозрачный процесс принятия решений улучшает проектирование генетических экспериментов, предоставляя ценный ресурс для биомедицинских исследований.
Искусственный интеллект показал потенциал в различных научных областях, включая моделирование человеческого поведения и изучение математических функций. Модели ИИ эффективны в анализе научной литературы и выполнении исследовательских задач, таких как анализ данных и генерация отчетов. Продвижения в области ИИ-управляемых лабораторных экспериментов были значительны, особенно в химическом синтезе и открытии материалов. В биологии LLM захватывают подробную информацию о биологических путях и процессах, и могут моделировать эти процессы. ИИ для генерации гипотез в функциональной геномике хорошо установлен, решая обширное экспериментальное пространство и комбинаторные задачи. Предыдущие исследования использовали машинное обучение для оптимизации дизайна генетических воздействий.
BioDiscoveryAgent использует Claude v1 Anthropic LLM для автоматизации научных открытий в биологии. Он получает доступ к научным знаниям, генерирует гипотезы, планирует эксперименты и интерпретирует результаты. На каждом этапе агент выбирает пакет генов для тестирования, интегрируя предыдущие результаты в следующую задачу. BioDiscoveryAgent свободно предлагает гены, уточняя список при необходимости. Его формат ответа включает Отражение, План исследований и Решение, обеспечивая интерпретируемость. Агент использует инструменты, такие как поиск литературы через API PubMed, анализ признаков генов и агент-критик для уточнения прогнозов. Этот комплексный подход улучшает проектирование генетических экспериментов путем использования обширных биологических знаний.
BioDiscoveryAgent выбирает пакеты генов для тестирования, интегрируя предыдущие результаты в свои задачи. BioDiscoveryAgent превосходит базовые модели машинного обучения в экспериментах по 1-геновому воздействию в среднем на 18%, особенно в начальных этапах. Он улучшает производительность, используя инструменты, такие как поиск литературы, анализ сходства генов и агент ИИ. В экспериментах по 2-геновому воздействию, он превосходит случайную выборку на 130%. Интеграция предыдущих знаний и экспериментальных наблюдений улучшает принятие решений, подчеркивая важность обоих элементов. Интерпретируемые прогнозы BioDiscoveryAgent, подкрепленные ссылками на литературу и критическими анализами, помогают в обратной связи с участием человека.
В заключение, BioDiscoveryAgent представляет новый подход к проектированию биологических экспериментов, улучшая возможности ученых с помощью LLM для упрощения процесса в единственном запросе. В отличие от традиционных многоступенчатых конвейеров, требующих ручного проектирования и переобучения, этот агент эффективно интегрирует предварительные биологические знания и наблюдательные данные. Он решает проблему “холодного старта” и использует различные инструменты для получения информации из литературы и наборов данных, ускоряя исследования. Несмотря на эффективность, он проявляет переменную производительность в различных типах клеток и преимущественно проявляет себя на начальных этапах экспериментов. BioDiscoveryAgent дополняет существующие методы, повышая производительность в условиях недостаточного количества данных и предлагая улучшенное рассуждение и интерпретируемость, что делает ИИ необходимым в будущем проектировании экспериментов.
Paper and GitHub. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на нас в Twitter. Присоединяйтесь к нашему каналу в Telegram, Discord и LinkedIn.
Если вам понравилась наша работа, вам понравится наш бюллетень.
Не забудьте присоединиться к нашему SubReddit | Также, посетите нашу платформу AI Events Platform
The post BioDiscoveryAgent: Revolutionizing Genetic Experiment Design with AI-Powered Insights appeared first on MarkTechPost.
“`
