An agentic AI environment to support biomedical research in collaborative academic environments
Das Papier stellt Murmurent vor, eine Open-Source-Shared-Softwareumgebung, die darauf ausgelegt ist, die kollaborative biomedizinische Forschung durch die Bereitstellung spezialisierter Agenten, gestufter Speicherstrukturen, Rückverfolgbarkeit und erzwungener Standardbetriebsverfahren zu unterstützen, um die technischen Barrieren für akademische Labore bei der Nutzung von agentischer KI zu senken, was durch seine Anwendung bei der Identifizierung von Inhibitoren für das Pin1-Protein demonstriert wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
In den modernen Laboratorien haben sich die Werkzeuge der Entdeckung weit über Mikroskope und Reagenzgläser hinaus ausgeweitet. Wissenschaftler verlassen sich heute stark auf Computer, um riesige Datenmengen zu durchforsten, neue Moleküle zu entwerfen und vorherzusagen, wie biologische Systeme reagieren. Dieser Wandel hat eine leistungsstarke künstliche Intelligenz in den Kreis der Werkzeuge aufgenommen, die in der Lage ist, wissenschaftliche Arbeiten zu lesen, Code zu schreiben und Experimente vorzuschlagen. Es besteht jedoch eine erhebliche Lücke zwischen der rohen Kraft dieser intelligenten Systeme und der täglichen Realität der akademischen Forschung. Die meisten Forscher sind Experten in Biologie oder Chemie, nicht in dem komplexen Software-Engineering, das für die sichere Verwaltung dieser digitalen Assistenten erforderlich ist. Ohne sorgfältige Aufsicht könnte eine künstliche Intelligenz versehentlich sensible Patientendaten preisgeben, den Überblick über eine entscheidende Entscheidung von vor Wochen verlieren oder einen Fehler wiederholen, der Tage an Rechenzeit verschwendet hat. Die Herausforderung besteht nicht nur darin, einen klugen Assistenten zu haben, sondern ein System, das die Regeln des Labors versteht, private Informationen schützt und einem Team hilft, zusammenzuarbeiten, ohne dass eine einzelne Person ein Computer-Experte sein muss.
Um diese Lücke zu schließen, hat ein Forscherteam an der Western University in Kanada ein neues Software-Framework namens Murmurent entwickelt. Sie beschreiben es nicht bloß als ein Werkzeug, sondern als ein Betriebssystem für künstliche Intelligenz, das speziell für das chaotische, kollaborative und risikoreiche Umfeld der akademischen Wissenschaft konzipiert wurde. Anstatt jedes Labor seine eigenen Sicherheitsprotokolle und Datenmanagementsysteme von Grund auf neu entwickeln zu lassen, bietet Murmurent eine gemeinsame Grundlage. Es sitzt unterhalb der Modelle der künstlichen Intelligenz und fungiert als eine Ebene der Governance, die Identitäten verwaltet, Daten sichert und die Historie eines Projekts speichert. Das System organisiert die Arbeit in „Projekten“, in denen mehrere Forscher zusammenarbeiten können, wobei jeder seine eigenen Methoden zu einer gemeinsamen Fragestellung einbringt. Es nutzt eine Reihe spezialisierter digitaler Assistenten, von denen jeder eine spezifische Rolle hat: Einer kümmert sich um die Datenanalyse, ein anderer durchsucht die wissenschaftliche Literatur, ein dritter erstellt Visualisierungen, und andere fungieren als Auditoren, um Fehler oder ethische Bedenken zu prüfen. Entscheidend ist, dass das System strikte Regeln automatisch durchsetzt. Es verhindert, dass die künstliche Intelligenz wichtige Dateien löscht, private Daten ins öffentliche Internet sendet oder Entscheidungen trifft, die gegen die Sicherheitsstandards des Labors verstoßen – ungeachtet dessen, wie der menschliche Forscher seine Anfrage formuliert.
Die Forscher testeten dieses System, indem sie ein schwieriges Problem in der Wirkstoffforschung angehen: die Suche nach einem Molekül, das ein Protein namens Pin1 hemmen kann. Dieses Protein ist an Krebs und neurodegenerativen Erkrankungen beteiligt, ist aber notorisch schwer zu targetieren, da seine aktive Stelle eine flache Rinne statt einer tiefen Tasche ist, was es schwierig macht, dass Medikamente daran binden. Das Team verließ sich nicht auf eine einzige Methode. Stattdessen nutzte es Murmurent, um vier verschiedene Ansätze gleichzeitig zu koordinieren. Ein Teammitglied nutzte ein Deep-Learning-Modell, um neue Moleküle von Grund auf neu zu generieren. Ein anderer begann mit einem bekannten schwachen Binder und modifizierte dessen Struktur. Ein dritter konzentrierte sich auf eine spezifische chemische Strategie, um ein Molekül dauerhaft an das Protein zu binden, während der vierte verschiedene chemische Teile kombinierte, um eine bessere Passform zu finden. In einem traditionellen Umfeld hätten diese vier Gruppen isoliert arbeiten können, mit unterschiedlichen Standards und ohne den Fortschritt der jeweils anderen zu verfolgen. Mit Murmurent arbeiteten sie parallel innerhalb derselben sicheren Umgebung. Das System stellte sicher, dass sie alle dieselben Referenzdaten, dieselben Sicherheitsprüfungen und dieselbe Art der Dokumentation ihrer Entscheidungen verwendeten.
Während die vier Ansätze liefen, spielten die integrierten Auditoren des Systems eine entscheidende Rolle. Einer der digitalen Assistenten, der als Kritiker fungierte, bemerkte, dass die ursprüngliche Art und Weise, wie das Team den Erfolg maß, fehlerhaft war. Die Methode, die sie zur Bewertung der neuen Moleküle verwendeten, erkannte tatsächlich nur die Form der Ausgangsstoffe, anstatt vorherzusagen, wie gut sie an das Protein binden würden. Da das System jeden Schritt und jede Entscheidung aufgezeichnet hatte, konnte das Team diesen Fehler bis zu seiner Quelle zurückverfolgen. Sie passten ihre Methoden an, führten die Berechnungen erneut durch und fanden heraus, dass die anfänglich vielversprechenden Ergebnisse tatsächlich nicht besser als der Zufall waren. Diese Korrektur bewahrte das Team davor, Ressourcen für Moleküle zu verschwenden, die unwahrscheinlich funktionieren würden. Das System verwaltete auch die komplexe Logistik des Projekts, wie etwa die Verteilung der rechenintensiven Aufgaben auf mehrere Grafikprozessoren, um die Prozesse in Stunden statt Tagen abzuschließen, und stellte sicher, dass sensible Kandidatenmoleküle niemals das sichere lokale Netzwerk verließen.
Das Ergebnis dieses Experiments war nicht ein einzelnes neues Medikament, sondern eine Demonstration dafür, wie ein solches System die wissenschaftliche Untersuchung leiten kann. Keiner der vier Ansätze lieferte ein Molekül, das das System mit Zuversicht als „Gewinner“ zertifizieren konnte, hauptsächlich, weil das Protein so schwer zu targetieren ist und es nicht genügend bekannte Beispiele zum Vergleich gibt. Der Prozess offenbarte jedoch die Stärken und Schwächen der jeweiligen Ansätze, was es den Forschern ermöglichte, ihre Strategien zu verfeinern. Das System verhinderte erfolgreich, dass das Team falschen Fährten nachjagte, und bot eine klare, prüfbare Aufzeichnung darüber, warum bestimmte Wege verworfen wurden. Die Forscher stellten fest, dass das System es einem Wet-Lab-Auszubildenden mit begrenzter Programmiererfahrung ermöglichte, an komplexen Datenanalysen teilzunehmen, während es gleichzeitig sicherstellte, dass ein Principal Investigator den gesamten Prozess überwachen konnte, ohne jede Zeile Code mikromanagen zu müssen.
Murmurent repräsentiert einen Wandel in der Art und Weise, wie akademische Wissenschaft im Zeitalter der künstlichen Intelligenz betrieben werden könnte. Es bewegt sich weg von der Idee eines einzelnen, zentralen Controllers, der jedes Experiment steuert, hin zu einem Modell, bei dem Forschergruppen ihre eigene Arbeit innerhalb eines gemeinsamen, sicheren Rahmens koordinieren. Das System ersetzt nicht den Wissenschaftler; stattdessen übernimmt es die administrativen und sicherheitsrelevanten Aufgaben, die die Forschung oft verlangsamen. Durch die Verwaltung des Gedächtnisses, die Durchsetzung der Sicherheit und die Koordination mehrerer Agenten ermöglicht es den Forschern, sich auf die Wissenschaft selbst zu konzentrieren. Das Team hat die Software Open Source zur Verfügung gestellt, damit andere Labore sie übernehmen und anpassen können. Auch wenn das System nicht garantiert, dass jedes Experiment erfolgreich sein wird, bietet es eine robuste Struktur, die hilft sicherzustellen, dass die Gründe für das Scheitern von Experimenten klar sind, die Daten sicher sind und die gewonnenen Erkenntnisse für die Zukunft bewahrt werden. Dieser Ansatz bietet einen praktischen Weg für die Integration leistungsstarker künstlicher Intelligenz in die kollaborative, vielfältige und oft unvorhersehbare Welt der akademischen biomedizinischen Forschung.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.