Human-Governed Multi-Agent AI for Biological Hypothesis Generation: An Evidence-Grounded Framework Using JUMP Cell Painting Profiles

Wetenschap heeft lang vertrouwd op de microscoop om de verborgen architectuur van het leven te onthullen. Door cellen onder krachtige lenzen te bekijken, kunnen onderzoekers zien hoe ze van vorm, grootte en interne structuur veranderen wanneer ze worden blootgesteld aan verschillende chemicaliën of genetische aanpassingen. Deze visuele taal van de cel, bekend als morfologische profilering, is een krachtige manier geworden om nieuwe medicijnen te screenen of te begrijpen hoe genen functioneren. Stel je een cel voor als een kleine, complexe stad; wanneer een specifieke bouwsteen wordt verwijderd of toegevoegd, verschuift het hele stadsplan op een herkenbare manier. Echter, het zien van een verandering in het stadsplan legt niet automatisch uit waarom dit gebeurde of welke specifieke regel van de constructie van de stad werd geschonden. Om een visuele observatie om te zetten in een wetenschappelijke ontdekking, moeten onderzoekers de verbanden leggen tussen wat ze zien en de onderliggende biologische mechanismen, een taak die strikt bewijs vereist in plaats van slechts een goede gok.

In een recente studie onderzochten onderzoekers Stephen Kamran en Farah Saman of kunstmatige intelligentie kon helpen deze kloof te overbruggen. Ze testten een nieuw systeem dat is ontworpen om te fungeren als een team van digitale wetenschappers, in staat om cellulaire afbeeldingen te bekijken, relevante wetenschappelijke feiten te vinden en nieuwe ideeën voor te stellen over hoe genen werken. Het systeem, dat zij DISCOVERY-AGENT noemen, is gebouwd om voorzichtig te zijn. In plaats van de computer toe te staan om op eigen kracht gedurfde claims te maken, dwingt het framework de AI om zijn werk te laten zien, zijn feiten te controleren tegen bestaande kennis en zijn beste ideeën voor te leggen aan een menselijke expert voor definitieve goedkeuring. Het doel was niet om menselijke wetenschappers te vervangen, maar om een betrouwbare, transparante workflow te creëren die de enorme hoeveelheden gegevens gegenereerd door moderne celbeeldvorming kan verwerken en testbare hypothesen voor de toekomst kan suggereren.

De onderzoekers begonnen door het systeem data te voeren uit een massaal publiek project genaamd JUMP Cell Painting. Dit project bevat miljoenen afbeeldingen van cellen die zijn behandeld met diverse genetische interventies, zoals het specifiek uitschakelen of inschakelen van genen. Het team concentreerde zich op een kleine, specifieke set van deze experimenten waarbij negen verschillende genen betrokken waren. Ze vroegen het systeem om naar patronen te zoeken: zien cellen met een specifiek uitgeschakeld gen er anders uit dan normale cellen? De resultaten waren gemengd maar informatief. Wanneer het systeem cellen analyseerde waarbij vijf specifieke genen werden uitgeschakeld met behulp van een techniek genaamd CRISPR, vond het duidelijke, statistisch significante veranderingen in vier daarvan. De cellen zagen er duidelijk anders uit, wat suggereert dat de genen inderdaad invloed hebben op de celstructuur. Echter, wanneer het systeem keek naar vier andere genen die werden ingeschakeld met een andere methode genaamd ORF, vond het geen duidelijk bewijs van verandering. Dit onderscheid was belangrijk; het toonde aan dat het systeem echte biologische signalen kon detecteren, maar het benadrukte ook dat niet elke genetische verandering een zichtbaar spoor achterlaat op de vorm van de cel, en dat de methode die wordt gebruikt om het gen te veranderen ertoe doet.

Naast het louter bekijken van de afbeeldingen, testte het team de "hersenen" van hun systeem. Ze wilden zien of de AI een visuele observatie kon combineren met een enorme bibliotheek aan wetenschelijke literatuur om een plausibele verklaring te genereren. Ze zetten een proces op waarbij één deel van de AI een hypothese voorstelt, een tweede deel zoekt naar bewijs om deze te ondersteunen of te tegenspreken, en een derde deel beoordeelt hoe zelfverzekerd het systeem moet zijn over zijn conclusie. In een reeks tests met paren genen genereerde het systeem verschillende potentiële verklaringen. Echter, toen deze ideeën werden gecontroleerd tegen de beschikbare bewijslast, identificeerde het systeem correct dat er niet genoeg bewijs was om een van hen te bevestigen als een definitief biologisch mechanisme. Sterker nog, voor elk genpaar dat werd getest, concludeerde het systeem dat het bewijs onvoldoende was om een sterke claim te maken. Deze uitkomst, hoewel het misschien lijkt op een gebrek aan ontdekking, was eigenlijk een succes voor het ontwerp van het systeem. Het demonstreerde dat de AI de grenzen van zijn eigen kennis kon herkennen en vermeed het verzinnen van verhalen om de hiaten op te vullen.

De onderzoekers testten ook het vermogen van het systeem om om te gaan met real-world technische problemen. In een kleine proefloop met vijf verschillende gevallen ondervond het systeem twee fouten waarbij het geen reactie kon produceren, waarschijnlijk door tijdelijke problemen met de online diensten waarop het vertrouwde. Toen de onderzoekers het opnieuw probeerden, werkte het systeem perfect. Deze kleine storing en het herstel ervan werden niet gedocumenteerd als een falen van de wetenschap, maar als een noodzakelijk onderdeel van het bouwen van een robuust hulpmiddel. De studie omvatte ook een aparte test om te zien of het systeem onderscheid kon maken tussen verschillende chemische verbindingen op basis van hoe zij de celvormen veranderden. Het systeem slaagde erin de juiste verbinding te identificeren met een AUC van 0,61 in een moeilijke test, een resultaat dat beter was dan willekeurige kans, maar nog lang niet perfect. Deze bescheiden prestatie versterkte de centrale boodschap van het artikel: hoewel de technologie patronen kan detecteren, is het nog niet klaar om complexe biologische mysteries op zichzelf op te lossen.

Gedurende het gehele proces benadrukten de onderzoekers de noodzaak van menselijk toezicht. Het systeem genereerde drie gestructureerde hypothesen en onderwierp deze aan een rigoureuze kritiek, maar geen van hen werd goedgekeurd als definitieve ontdekkingen. In plaats daarvan werden ze gemarkeerd als voorlopige ideeën die verdere tests door menselijke wetenschappers vereisen. De studie concludeerde dat hoewel het framework erin slaagde bewijs te verwerken en strikte regels te volgen, het nog niet de status van een autonome ontdekkingsmachine had bereikt. Het werk dient als een blauwdruk voor hoe kunstmatige intelligentie op een dag de wetenschap zou kunnen ondersteunen, mits het geworteld blijft in bewijs, transparant is in zijn redenering en uiteindelijk wordt geleid door menselijk oordeel. De onderzoekers maakten duidelijk dat het pad naar ware ontdekking nog steeds onafhankelijke experimenten en deskundige validatie vereist, om ervoor te zorgen dat de instrumenten van de toekomst dienen om de waarheid te verhelderen in plaats van alleen maar overtuigende fictie te generen.