An agentic AI environment to support biomedical research in collaborative academic environments
L'article présente Murmurent, un environnement logiciel partagé et open-source conçu pour soutenir la recherche biomédicale collaborative en fournissant des agents spécialisés, une mémoire hiérarchisée, une traçabilité et des procédures opérationnelles normalisées imposées qui abaissent les barrières techniques pour les laboratoires académiques utilisant l'IA agentique, comme le démontre son application dans l'identification d'inhibiteurs de la protéine Pin1.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Dans le laboratoire moderne, les outils de la découverte se sont étendus bien au-delà des microscopes et des éprouvettes. Les scientifiques s'appuient désormais fortement sur l'informatique pour passer au crible des montagnes de données, concevoir de nouvelles molécules et prédire le comportement des systèmes biologiques. Ce changement a intégré l'intelligence artificielle puissante dans le processus, capable de lire des articles scientifiques, d'écrire du code et de proposer des expériences. Cependant, un écart important subsiste entre la puissance brute de ces systèmes intelligents et la réalité quotidienne de la recherche académique. La plupart des chercheurs sont des experts en biologie ou en chimie, et non en l'ingénierie logicielle complexe requise pour gérer ces assistants numériques en toute sécurité. Sans une surveillance attentive, une intelligence artificielle pourrait accidentellement divulguer des données sensibles de patients, perdre la trace d'une décision cruciale prise des semaines auparavant, ou répéter une erreur qui aurait gaspillé des jours de temps de calcul. Le défi n'est pas seulement d'avoir un assistant intelligent, mais d'avoir un système qui comprend les règles du laboratoire, protège les informations privées et aide une équipe à travailler ensemble sans qu'une seule personne n'ait besoin d'être un expert en informatique.
Pour combler ce fossé, une équipe de chercheurs de l'Université Western, au Canada, a développé un nouveau cadre logiciel appelé Murmurent. Ils le décrivent non pas simplement comme un outil, mais comme un système d'exploitation pour l'intelligence artificielle, conçu spécifiquement pour l'environnement désordonné, collaboratif et à enjeux élevés de la science académique. Au lieu de demander à chaque laboratoire de construire ses propres protocoles de sécurité et systèmes de gestion de données à partir de zéro, Murmurent fournit une fondation partagée. Il se situe sous les modèles d'intelligence artificielle, agissant comme une couche de gouvernance qui gère les identités, sécurise les données et mémorise l'historique d'un projet. Le système organise le travail en « projets » où plusieurs chercheurs peuvent collaborer, chacun apportant ses propres méthodes à une question commune. Il emploie une suite d'assistants numériques spécialisés, chacun ayant un rôle spécifique : l'un gère l'analyse des données, un autre effectue des recherches dans la littérature scientifique, un troisième crée des visualisations, et d'autres agissent comme des auditeurs pour vérifier les erreurs ou les préoccupations éthiques. Crucialement, le système applique des règles strictes automatiquement. Il empêche l'intelligence artificielle de supprimer des fichiers importants, d'envoyer des données privées sur l'internet public ou de prendre des décisions qui violent les normes de sécurité du laboratoire, quelle que soit la manière dont le chercheur humain formule sa requête.
Les chercheurs ont testé ce système en s'attaquant à un problème difficile de la découverte de médicaments : trouver une molécule capable d'inhiber une protéine appelée Pin1. Cette protéine est impliquée dans le cancer et les maladies neurodégénératives, mais elle est notoirement difficile à cibler car son site actif est une rainure peu profonde plutôt qu'une poche profonde, ce qui rend difficile l'adhérence des médicaments. L'équipe ne s'est pas appuyée sur une seule méthode. Au lieu de cela, elle a utilisé Murmurent pour coordonner quatre approches différentes simultanément. Un membre de l'équipe a utilisé un modèle d'apprentissage profond pour générer de nouvelles molécules à partir de rien. Un autre est parti d'un liant faible connu et a modifié sa structure. Un troisième s'est concentré sur une stratégie chimique spécifique pour attacher de façon permanente une molécule à la protéine, tandis que le quatrième a combiné différentes parties chimiques pour chercher une meilleure adéquation. Dans un cadre traditionnel, ces quatre groupes auraient pu travailler de manière isolée, utilisant des normes différentes et perdant la trace des progrès de chacun. Avec Murmurent, ils ont travaillé en parallèle au sein du même environnement sécurisé. Le système s'est assuré qu'ils utilisaient tous les mêmes données de référence, les mêmes contrôles de sécurité et la même méthode pour enregistrer leurs décisions.
Pendant que les quatre approches tournaient, les auditeurs intégrés au système ont joué un rôle vital. L'un des assistants numériques, agissant comme un critique, a remarqué que la méthode initiale utilisée par l'équipe pour mesurer le succès était erronée. La méthode qu'ils utilisaient pour classer les nouvelles molécules ne faisait en réalité que reconnaître la forme des matériaux de départ plutôt que de prédire leur capacité de liaison à la protéine. Parce que le système avait enregistré chaque étape et décision, l'équipe a pu remonter cette erreur jusqu'à sa source. Ils ont ajusté leurs méthodes, relancé les calculs et découvert que les résultats prometteurs initiaux n'étaient en fait pas meilleurs que le hasard. Cette correction a évité à l'équipe de gaspiller des ressources pour des molécules qui avaient peu de chances de fonctionner. Le système a également géré la logistique complexe du projet, telle que la distribution des tâches de calcul intensives sur plusieurs processeurs graphiques pour terminer en quelques heures plutôt qu'en plusieurs jours, et en s'assurant que les molécules candidates sensibles ne quittaient jamais le réseau local sécurisé.
Le résultat de cette expérience n'a pas été une nouvelle drogue, mais une démonstration de la manière dont un tel système peut guider l'investigation scientifique. Aucune des quatre approches n'a produit une molécule que le système pouvait certifier avec confiance comme étant une gagnante, principalement parce que la protéine est très difficile à cibler et qu'il n'y avait pas assez d'exemples connus pour comparer. Cependant, le processus a révélé les forces et les faiblesses de chaque approche, permettant aux chercheurs d'affiner leurs stratégies. Le système a réussi à empêcher l'équipe de poursuivre des pistes fausses et a fourni un registre clair et auditable expliquant pourquoi certains chemins ont été abandonnés. Les chercheurs ont constaté que le système permettait à un stagiaire de laboratoire expérimentale, doté d'une expérience limitée en codage, de participer à des analyses de données complexes, tout en garantissant qu'un chercheur principal puisse superviser l'ensemble du processus sans avoir besoin de micro-gérer chaque ligne de code.
Murmurent représente un changement dans la manière dont la science académique pourrait être conduite à l'ère de l'intelligence artificielle. Il s'éloigne de l'idée d'un contrôleur central unique gérant chaque expérience pour tendre vers un modèle où des groupes de chercheurs coordonnent leur propre travail au sein d'un cadre partagé et sûr. Le système ne remplace pas le scientifique ; il gère plutôt les charges administratives et de sécurité qui ralentissent souvent la recherche. En gérant la mémoire, en imposant la sécurité et en coordonnant de multiples agents, il permet aux chercheurs de se concentrer sur la science elle-même. L'équipe a rendu le logiciel open source, permettant à d'autres laboratoires de l'adopter et de l'adapter. Bien que le système ne garantisse pas que chaque expérience réussira, il fournit une structure robuste qui aide à garantir que, lorsque les expériences échouent, les raisons sont claires, les données sont en sécurité et les leçons apprises sont préservées pour l'avenir. Cette approche offre une voie pratique pour intégrer l'intelligence artificielle puissante dans le monde collaboratif, diversifié et souvent imprévisible de la recherche biomédicale académique.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.