An agentic AI environment to support biomedical research in collaborative academic environments
本文介绍了 Murmurent，这是一个开源的共享软件环境，旨在通过提供专门的智能体、分层记忆、可追溯性以及强制执行的标准操作程序来支持协作式生物医学研究，从而降低学术实验室使用智能体 AI 的技术门槛，并通过其在识别 Pin1 蛋白抑制剂方面的应用进行了验证。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在现代实验室中，发现工具的范畴已远远超出了显微镜和试管。科学家们现在高度依赖计算机来筛选海量数据、设计新分子，并预测生物系统的行为。这种转变将强大的人工智能引入了科研领域，使其能够阅读科学论文、编写代码并提出实验方案。然而，在这些智能系统的原始能力与学术研究的日常现实之间，仍然存在着巨大的鸿ков。大多数研究人员是生物学或化学专家，而非在安全管理这些数字助手方面所需的复杂软件工程专家。如果没有细致的监督，人工智能可能会意外泄露敏感的患者数据、丢失数周前做出的关键决策，或者重复浪费数日计算时间的错误。挑战不仅在于拥有一个聪明的助手，而在于拥有一个理解实验室规则、保护隐私信息，并能帮助团队协作且无需单个人成为计算机专家的系统。
为了弥补这一差距，加拿大西储大学（Western University）的一个研究小组开发了一种名为 Murmurent 的新软件框架。他们将其描述为不仅仅是一个工具，而是专门为混乱、协作且高风险的学术科学环境设计的“人工智能操作系统”。与其让每个实验室从头开始构建自己的安全协议和数据管理系统，Murmurent 提供了一个共享的基础。它位于人工智能模型之下，作为一个治理层，负责管理身份、保障数据安全并记录项目的历史。该系统将工作组织为“项目”，多个研究人员可以在其中进行协作，每个人都为同一个共同的问题贡献各自的方法。它采用了一套专门的数字助手，每个助手都有特定的角色：一个处理数据分析，另一个搜索科学文献，第三个创建可视化图表，还有一些充当审计员以检查错误或伦理问题。至关重要的是，该系统会自动执行严格的规则。无论人类研究人员如何表达其请求，它都能防止人工智能删除重要文件、将私密数据发送到公共互联网，或做出违反实验室安全标准的决策。
研究人员通过解决药物发现中的一个难题来测试了这个系统：寻找一种能够抑制名为 Pin1 蛋白质的分子。这种蛋白质与癌症和神经退行性疾病有关，但由于其活性位点是一个浅沟而非深口袋，导致药物难以附着，因此极难进行靶向治疗。该团队并未依赖单一方法，而是利用 Murmurent 同时协调了四种不同的路径。一名成员使用深度学习模型从头生成新分子；另一名成员从已知的弱结合剂开始并修改其结构；第三名成员专注于一种特定的化学策略，旨在将分子永久连接到蛋白质上；第四名成员则通过组合不同的化学部分来寻找更好的匹配。在传统环境下，这四个小组可能会孤立工作，使用不同的标准并丢失彼此的进度。而在 Murmurent 的帮助下，他们在同一个安全的运行环境中并行工作。系统确保了他们所有人都在使用相同的参考数据、相同的安全检查以及相同的决策记录方式。
随着四种方法的运行，系统内置的审计员发挥了至关重要的作用。其中一个充当“评论家”的数字助手注意到，团队最初衡量成功的方法存在缺陷。他们用来对新分子进行排序的方法实际上只是在识别起始材料的形状，而不是在预测它们与蛋白质的结合能力。由于系统记录了每一个步骤和决策，团队可以追溯到错误的源头。他们调整了方法，重新运行了计算，并发现最初看似有希望的结果实际上并不比随机概率好多少。这一纠正使团队免于在那些不太可能奏效的分子上浪费资源。系统还管理了项目的复杂物流，例如将繁重的计算任务分配到多个图形处理器上，以在数小时而非数天内完成，并确保敏感的候选分子绝不会离开安全的本地网络。
这次实验的结果并非获得了一种新药，而是展示了此类系统如何引导科学探索。由于 Pin1 蛋白质极难靶向且缺乏足够的已知案例进行对比，四种方法都没有产生能让系统确信为“获胜者”的分子。然而，这一过程揭示了每种方法的优势与劣势，使研究人员能够改进他们的策略。系统成功地防止了团队去追求虚假的线索，并为为何放弃某些路径提供了清晰、可审计的记录。研究人员发现，该系统允许一名在编程方面经验有限的实验员（wet-lab trainee）参与复杂的数据分析，同时确保首席研究员能够在无需微观管理每一行代码的情况下监督整个过程。
Murmurent 代表了在人工智能时代学术科学开展方式的一种转变。它从“由单个中央控制器管理每一次实验”的模型，转向了“研究人员在共享、安全的框架内协调各自工作”的模型。该系统并不取代科学家；相反，它承担了经常拖慢研究进度的行政和安全负担。通过管理记忆、执行安全保障和协调多个代理，它让研究人员能够专注于科学本身。该团队已将软件开源，允许其他实验室采用和改进。虽然该系统不能保证每一次实验都成功，但它提供了一个稳健的结构，确保当实验失败时，原因清晰、数据安全，且所学到的教训能为未来得以保存。这种方法为将强大的人工智能整合进协作、多样且往往充满不可预测性的学术生物医学研究世界，提供了一条切实可行的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。