Human-supervised Agentic AI for Hypothesis Generation and Experimental Assistance in Drug Repurposing

Dit artikel introduceert RepurAgent, een door mensen gesuperviseerde hiërarchische multi-agent AI-systeem dat het volledige cyclus van drugherbestemming ondersteunt, van hypothesevorming tot experimentele analyse en validatie.

De kern

Stel je voor dat het vinden van een nieuw medicijn voor een bestaand ziekte een gigantisch, donker labyrint is. Traditioneel proberen computers alleen de ingang van dit labyrint te vinden: ze zoeken snel naar een mogelijke deur (een hypothese) en hopen dat die leidt naar een oplossing. Maar in de echte wereld is het veel lastiger: je moet niet alleen de deur vinden, maar ook de sleutel maken, de deur openen, kijken wat erachter zit, en als het niet werkt, de hele route opnieuw plannen.

Dit nieuwe onderzoek introduceert RepurAgent, een slimme digitale assistent die dit hele avontuur voor je kan doen. Het is geen simpele zoekmachine, maar meer een slimme projectleider met een team van specialisten.

Hier is hoe het werkt, vertaald naar alledaagse beelden:

1. Het Team: Een Orkest onder leiding van een Dirigent

RepurAgent is niet één robot, maar een heel orkest dat perfect op elkaar is afgestemd:

• De Supervisor (De Dirigent): Dit is de hoofdpersoon die het overzicht houdt. Hij zorgt dat iedereen op het juiste moment speelt en dat de mens (de arts of onderzoeker) altijd de touwtjes in handen heeft.
• De Planner: Deze denkt na over de route. "Eerst doen we dit, dan dat."
• De Vier Specialisten:
  • De Onderzoeker: Zoekt in de enorme bibliotheek van medische kennis.
  • De Voorspeller: Doet de wiskundige berekeningen om te zien wat er waarschijnlijk gaat gebeuren.
  • De Data-analist: Kijkt naar de ruwe cijfers en experimenten.
  • De Verslaggever: Schrijft alles netjes op in een leesbaar rapport.

Alles wat ze doen, wordt onthouden (zoals een goed geheugen) en ze halen extra informatie op als ze vastlopen, zodat ze nooit in het donker tasten.

2. De Drie Proefballonnetjes (De Tests)

Om te bewijzen dat dit team echt werkt, hebben de makers het in drie verschillende situaties getest:

• Scenario 1: Acute Myeloid Leukemie (De Snelheidstest)
  Hier moest het team een complex ziekteproces ontrafelen. Terwijl andere geavanceerde systemen (zoals Google's Co-Scientist) ook goede resultaten hadden, deed RepurAgent het net zo goed (97% van de juiste routes) maar dan in slechts 60 minuten. Het is alsof je een puzzel van 1000 stukjes in een uur legt, terwijl anderen er uren over doen.

• Scenario 2: COVID-19 (De Slimme Helper)
  In dit scenario keek het team terug naar oude experimenten. In plaats van alleen te kijken of iets "goed" of "slecht" was, fungeerde RepurAgent als een slimme assistent die de fouten ziet die mensen over het hoofd zien. Hij zag verstorende factoren (verkeerde conclusies) die mensen gemist hadden en kon zelfstandig beslissen welke medicijnen het meest veelbelovend waren, zonder dat iemand vooraf een strenge regel had opgesteld.

• Scenario 3: Meerdere Sulfatase Deficiëntie (De Kwaliteitscontrole)
  Hier hadden ze een berg van 5000 mogelijke medicijnen. RepurAgent wist er 82 van te filteren die echt kans van slagen hadden. De echte menselijke experts keken daarna naar deze lijst en zeiden: "Ja, deze 82 zijn inderdaad de beste keuzes." Het team had dus de berg tot een haalbare hoop verkleind.

Waarom is dit belangrijk?

Vroeger was een computer alleen goed in het bedenken van ideeën. Met RepurAgent kunnen we nu een digitale partner hebben die meedenkt, meewerkt aan experimenten, de resultaten analyseert en de conclusies trekt. Het is alsof je van een simpele fiets bent gestapt op een zelfrijdende auto die je ook nog eens de routeplanner, de navigator en de monteur is.

Het mooie is: dit systeem is gratis en openbaar beschikbaar. Iedereen die medicijnen wil onderzoeken, kan het nu gebruiken om sneller en slimmer nieuwe behandelingen te vinden.

Kortom: RepurAgent is de slimme, menselijke assistent die ervoor zorgt dat het zoeken naar nieuwe medicijnen niet langer een eenzame zoektocht is, maar een efficiënte, samenwerkende reis.

Technische samenvatting

Probleemstelling

Huidige benaderingen voor computationeel drug repurposing (het vinden van nieuwe toepassingen voor bestaande geneesmiddelen) richten zich voornamelijk op het snel genereren van hypothesen. Er is echter een significant gat tussen deze initiële hypothesen en de daadwerkelijke toepassing in de realiteit. Het volledige levenscyclusproces omvat veel meer stappen, waaronder het selecteren van kandidaat-middelen, het ontwerpen van experimenten, het analyseren van assay-gegevens en het iteratief verfijnen van kandidaten. Bestaande systemen zijn vaak niet in staat om dit volledige spectrum van taken autonoom en samenhangend uit te voeren, wat leidt tot een gebrek aan integratie tussen theoretische voorspellingen en experimentele validatie.

Methodologie: RepurAgent

Om dit probleem aan te pakken, hebben de auteurs RepurAgent ontwikkeld, een hiërarchisch multi-agent AI-systeem dat is ontworpen om de volledige levenscyclus van drug repurposing te ondersteunen. De architectuur en kerncomponenten zijn als volgt:

• Hiërarchische Agentstructuur: Het systeem bestaat uit een supervisor-agent en een planning-agent die de activiteiten coördineren. Deze sturen vier gespecialiseerde sub-agenten aan:
  1. Research-agent: Voor literatuuronderzoek en dataverzameling.
  2. Prediction-agent: Voor het voorspellen van drug-doelwitinteracties.
  3. Data-agent: Voor het verwerken en analyseren van experimentele data.
  4. Report-agent: Voor het genereren van rapporten en conclusies.
• Human-in-the-Loop (HITL): Het systeem werkt onder menselijk toezicht, waarbij de supervisor-agent beslissingen neemt die door een menselijke expert kunnen worden gevalideerd of bijgestuurd.
• Geavanceerde Gegevensverwerking: Het systeem maakt gebruik van episodisch geheugen (om eerdere interacties en resultaten te onthouden) en Retrieval-Augmented Generation (RAG) om nauwkeurige en contextuele antwoorden te genereren op basis van de beschikbare kennis.
• Domain Specific Grounding: RepurAgent is specifiek getraind en gestructureerd rondom data, tools en standaardwerkprocedures (SOP's) die zijn ontwikkeld binnen het REMEDi4All-consortium, wat zorgt voor hoge relevantie voor de farmaceutische sector.

Kernbijdragen

1. Volledige Cyclus-Integratie: Het is het eerste systeem dat aantoont dat agentic AI niet alleen hypothesen kan genereren, maar ook het ontwerp van experimenten, data-analyse en iteratieve verbetering kan uitvoeren.
2. Adaptieve Experimentele Collaboratie: Het systeem kan zich aanpassen aan nieuwe data en experimentele uitkomsten zonder vooraf gedefinieerde drempels, en kan zelfs verstorende factoren (confounders) identificeren die door menselijke reviewers worden gemist.
3. Open Source Beschikbaarheid: Het systeem is open source en publiek toegankelijk via een gedeployde interface, wat reproduceerbaarheid en bredere adoptie stimuleert.

Resultaten en Validatie

Het systeem werd gevalideerd in drie verschillende scenario's die verschillende fasen van het repurposing-levenscyclus dekken:

1. Acute Myeloid Leukemia (AML):
   • RepurAgent slaagde erin om tot 97% van de ziekte-relevante pathways te herstellen die ook door Google Co-Scientist waren geïdentificeerd.
   • De volledige workflow werd binnen 60 minuten voltooid, wat een aanzienlijke snelheidswinst aangeeft.
2. Retrospectieve COVID-19 Antivirale Screen:
   • Het systeem fungeerde als een adaptieve experimentele partner.
   • Het prioriteerde verbindingen met een AUC-ROC van tot 0,98 zonder gebruik te maken van vooraf ingestelde drempelwaarden.
   • Belangrijk: Het systeem slaagde erin om verstorende factoren te signaleren die bij een handmatige review over het hoofd werden gezien.
3. Multiple Sulfatase Deficiency (MSD):
   • Uit een pool van 5000 verbindingen prioriteerde het systeem 82 hoogwaardige kandidaten.
   • Deze selectie werd verder bevestigd door domeinexperts, wat de betrouwbaarheid van de AI-gedreven prioritering onderstreept.

Betekenis en Impact

De resultaten van dit onderzoek markeren een paradigmaverschuiving in computergestuurde geneesmiddelenontwikkeling. Het bewijst dat agentic AI-systemen, wanneer ze worden ontworpen met menselijk toezicht en domeinspecifieke kennis, effectief kunnen opereren als een integraal onderdeel van het wetenschappelijk proces. RepurAgent verlegt de focus van louter "hypothesegeneratie" naar een volledig geautomatiseerde, maar menselijk geleide, cyclus van ontdekking tot experimentele validatie. Dit kan de tijd en kosten voor het vinden van nieuwe toepassingen voor bestaande geneesmiddelen drastisch verminderen en de kwaliteit van de geselecteerde kandidaten verbeteren.

Het systeem is toegankelijk voor de gemeenschap via: https://repuragent.serve.scilifelab.se/.