O Google lança o AI Co-scientist, um assistente de pesquisa inteligente com tecnologia Gemini

在浩瀚的科研领域，科学家们如同探险家，凭借着过人的才智与创造力，结合从浩如烟海的文献中汲取的深刻见解和专业知识，不断开辟着新颖且可行的研究方向，引领着后续的探索之路。然而，在诸多学科中，科研人员常常面临 “广度” 与 “深度” 的双重挑战。科学出版物数量的爆炸式增长，以及整合来自陌生领域的知识洞见的需求，都使得科研工作变得愈发复杂。跨学科研究往往能催生颠覆性的突破，例如，CRISPR 技术的诞生，正得益于微生物学、遗传学和分子生物学等多学科知识的融合，Emmanuelle Charpentier 和 Jennifer Doudna 也因在 CRISPR 领域的开创性工作荣获 2020 年诺贝尔化学奖。

Impulsionado pelas muitas necessidades não atendidas da descoberta científica moderna e beneficiando-se dos recentes e rápidos avanços da inteligência artificial, particularmente da capacidade da IA de integrar o conhecimento de disciplinas complexas e realizar planejamento e raciocínio de longo prazo, um sistema chamado AI Co-Scientist é um sistema de IA multiagente que visa O AI Co-Scientist é um sistema de IA multiagente projetado para ser um assistente virtual colaborativo para pesquisadores. Ele foi desenvolvido com base em Gêmeos 2.0, sua filosofia de design é altamente compatível com o processo de raciocínio do método de pesquisa científica. Diferentemente das ferramentas tradicionais de revisão da literatura, resumo e pesquisa aprofundada, os cocientistas de IA têm o compromisso de descobrir novos conhecimentos originais e desenvolver hipóteses e cenários de pesquisa inovadores com base nas evidências existentes em relação a objetivos de pesquisa específicos.

Co-cientistas de IA: capacitando a pesquisa, acelerando a descoberta

科研人员只需以自然语言设定研究目标，AI 协同科学家就能自动生成新颖的研究假设、详细的研究概述和实验方案。为了实现这一目标，该系统采用了一系列专业化 Agent（智能体），包括 “生成 (Generation)”、”反思 (Reflexão)”、”排序 (Ranking)”、”进化 (Evolution)”、”邻近 (Proximity)” 和 “元评审 (Meta-review)” 等，这些 Agent 的设计灵感均来源于科学研究方法本身。这些 Agent 利用自动化反馈进行迭代，不断生成、评估和优化假设，形成一个自我完善的循环，产出质量和创新性日益提升的研究成果。

Visão geral do co-cientista de IA.

O AI Co-Scientist foi desenvolvido para colaboração, permitindo que os pesquisadores interajam com o sistema de várias maneiras, inclusive fornecendo suas ideias iniciais diretamente para o sistema explorar em profundidade ou fornecendo feedback em linguagem natural sobre os resultados gerados pelo sistema. Além disso, o AI Co-Scientist integra ferramentas como pesquisa na Web e modelos especializados de IA para aumentar a confiabilidade e a qualidade das hipóteses.

Diagrama esquemático dos componentes do sistema multiagente para cocientistas de IA e os padrões de interação entre o sistema e os pesquisadores.

AI 协同科学家会将科研人员设定的目标解析为研究计划，并由 “主管 (Supervisor)” Agent 进行管理。”主管” Agent 负责将专业化 Agent 分配到工作队列并分配资源。这种设计使得系统能够灵活扩展计算能力，并根据特定的研究目标迭代优化其科学推理能力。

Visão geral do sistema de cocientista de IA. Agentes especializados (caixas vermelhas com funções e lógica exclusivas); entrada e feedback do cientista (caixas azuis); fluxo de informações do sistema (setas cinza-escuras); feedback entre agentes (setas vermelhas na seção Agente).

Escalonamento aritmético: impulsionando um raciocínio científico mais profundo

AI 协同科学家利用算力扩展技术，实现迭代推理、演进和优化输出结果。关键的推理步骤包括：基于 “自我博弈 (self-play)” 的科学辩论，用于生成新颖的假设；排序竞赛，用于假设比较；以及 “进化 (evolution)” 过程，用于质量提升。系统的 Agent 特性促进了递归式的自我批判，包括利用工具进行反馈以改进假设和方案。

系统的自我提升依赖于从竞赛中获得的 “Elo” 自动评估指标。由于 Elo 指标的核心作用，研究团队评估了较高的 Elo 评分是否与较高的输出质量相关。通过分析 Elo 自动评分与 GPQA 基准测试 (针对钻石级难题) 的准确性之间的一致性，研究团队发现，较高的 Elo 评分与更高的正确答案概率呈正相关。

Precisão média dos cocientistas de IA (linha azul) e dos modelos de referência Gemini 2.0 (linha vermelha) nos quebra-cabeças de nível diamante do GPQA, agrupados pela pontuação Elo, que é uma métrica de avaliação automatizada não baseada em respostas padrão independentes.

Sete especialistas no domínio escolheram a dedo 15 objetivos de pesquisa aberta e as melhores soluções em suas áreas de especialização. Usando métricas Elo automatizadas, a equipe de pesquisa observou que os cocientistas de IA superaram outros modelos avançados de agentes e modelos de inferência nesses problemas complexos. As análises reproduziram as vantagens do uso da tendência indutiva derivada de métodos de pesquisa científica para dimensionar a computação no momento do teste. Os resultados experimentais mostram que a qualidade da autoavaliação melhora à medida que aumenta o tempo do sistema para raciocinar e melhorar, superando até mesmo outros modelos e especialistas humanos sem ajuda.

O desempenho dos cocientistas de IA melhora à medida que o tempo de computação do sistema aumenta. Isso pode ser visto nas métricas Elo automatizadas que superam gradualmente outros modelos de linha de base. Parte superior: progresso do Elo para a hipótese de melhor pontuação. Parte inferior: progresso médio do Elo para as 10 principais hipóteses.

Em um pequeno subconjunto de 11 objetivos de pesquisa, os especialistas avaliaram a novidade e o impacto potencial dos resultados gerados pelos cocientistas de IA e os compararam com outros modelos de linha de base; eles também forneceram preferências gerais. Apesar do pequeno tamanho da amostra, os especialistas ainda consideraram os cocientistas de IA como tendo maior novidade e impacto potencial, e preferiram seus resultados. Além disso, as preferências dos especialistas humanos pareciam corresponder às métricas de avaliação automatizada da Elo apresentadas anteriormente.

Os especialistas humanos avaliaram os resultados da pesquisa dos cocientistas de IA como tendo um grau mais alto de novidade e impacto potencial (painel esquerdo) e foram favorecidos em relação a outros modelos (painel direito).

Validação experimental: aplicação no mundo real das hipóteses dos cocientistas de IA

Para avaliar o valor da aplicação prática das novas previsões do sistema, a equipe realizou experimentos laboratoriais de ponta a ponta em três domínios biomédicos importantes para validar as hipóteses e os protocolos de pesquisa gerados pelos cocientistas de IA. As três áreas foram: reaproveitamento de medicamentos, descoberta de novos alvos terapêuticos e resolução de mecanismos de resistência antimicrobiana. Esses experimentos foram conduzidos sob a orientação de especialistas e abrangeram cenários de aplicação de vários níveis de complexidade:

Leucemia: um novo avanço no reaproveitamento de medicamentos

药物研发是一个日益耗时且成本高昂的过程。对于每一种新的适应症或疾病，新疗法的研发都需要重新启动发现和开发过程的许多环节。”药物再利用” 正是为了应对这一挑战而生，它旨在发现现有药物超出其原定用途的新治疗应用。然而，由于任务的复杂性，药物再利用需要广泛的跨学科专业知识。

A equipe de pesquisa aplicou a IA para colaborar com os cientistas na previsão de oportunidades de reaproveitamento de medicamentos e, com parceiros, validou essas previsões por meio de biologia computacional, feedback de especialistas clínicos e experimentos in vitro.

Em especial, os co-cientistas da IA propuseram novos candidatos a reposicionamento de medicamentos para a leucemia mieloide aguda (LMA). A validação experimental subsequente desses protocolos confirmou que os medicamentos recomendados inibem a viabilidade das células tumorais em concentrações clinicamente relevantes em uma ampla gama de linhas celulares de LMA.

Curvas de dose-resposta previstas pelos cocientistas da AI para um dos três novos regimes de reaproveitamento de medicamentos para LMA. O KIRA6 inibe a viabilidade da KG-1 (linha celular de LMA) em concentrações clinicamente relevantes. A capacidade de reduzir a viabilidade das células cancerígenas em concentrações mais baixas de medicamentos tem várias vantagens, como a redução do risco de efeitos colaterais fora do alvo.

Fibrose hepática: acelerando a descoberta de alvos

A identificação de novos alvos terapêuticos é mais complexa do que o reposicionamento de medicamentos e, muitas vezes, leva a uma seleção ineficiente de hipóteses e a uma priorização deficiente de experimentos in vitro e in vivo. A descoberta de alvos assistida por IA pode ajudar a simplificar o processo de validação experimental e, possivelmente, reduzir o tempo e os custos de desenvolvimento.

A equipe explorou em profundidade os recursos do sistema de cocientista de IA para hipóteses de descoberta de alvos, incluindo a proposição, o sequenciamento e a geração de hipóteses e protocolos experimentais, com foco na fibrose hepática.O cocientista de IA demonstrou seu potencial identificando alvos epigenéticos com base em evidências pré-clínicas que mostraram atividade antifibrótica significativa em um organoide semelhante ao fígado humano (um modelo de cultura de células 3D projetado para imitar a estrutura e a função do fígado humano). O cocientista da IA também demonstrou seu potencial para a identificação de alvos epigenéticos com base em evidências pré-clínicas. Essas descobertas serão detalhadas em um relatório futuro de nossos colaboradores da Universidade de Stanford.

Comparação dos regimes terapêuticos direcionados à fibrose hepática propostos pelos cocientistas da IA com indutores de fibrose (controle negativo) e inibidores (controle positivo) Todos os regimes terapêuticos propostos pelos cocientistas da IA mostraram atividade promissora (valor de p < 0,01 para todos os medicamentos propostos), incluindo candidatos que podem ser capazes de reverter o fenótipo da doença. Os resultados detalhados serão apresentados em um relatório futuro dos colaboradores de Stanford.

Resistência antimicrobiana: uma abordagem mecanicista

Como terceiro caso de validação, a equipe de pesquisa concentrou-se na geração de hipóteses para explicar os mecanismos evolutivos da transferência de genes bacterianos associados à resistência antimicrobiana (AMR). A resistência antimicrobiana é o mecanismo pelo qual os micróbios evoluíram para resistir aos medicamentos anti-infecciosos. Esse é outro desafio complexo que exige a compreensão dos mecanismos moleculares de transferência de genes (incluindo conjugação, transdução e transformação), bem como as pressões ecológicas e evolutivas que impulsionam a disseminação dos genes da AMR.

• Combinação (conjugação). O processo de transferência de material genético entre bactérias por meio de contato direto ou pontes intercelulares.
• (transdução). O processo de transferência de DNA de uma célula bacteriana para outra por meio de um vírus (fago).
• transformação. O processo pelo qual uma bactéria pega o DNA livre diretamente de seu ambiente e o integra em seu próprio genoma.

为了进行这项测试，专家研究人员指示 AI 协同科学家探索一个他们团队已经取得新发现但尚未公开的主题，即解释 “衣壳形成噬菌体诱导染色体岛 (cf-PICIs)” 如何在多种细菌物种中存在。cf-PICIs 是一类特殊的基因元件，能够在细菌之间转移，并与噬菌体 (一种感染细菌的病毒) 产生复杂的相互作用。令人惊讶的是，AI 协同科学家系统独立提出了 cf-PICIs 与多种噬菌体尾部相互作用以扩展其宿主范围的假设。这一 “in silico”（计算机模拟）发现，在 AI 协同科学家系统应用之前，已经在原始的新型实验室实验中得到了验证，相关成果在与弗莱明倡议和伦敦帝国理工学院的合作者共同撰写的同步发表的论文 (1, 2) é descrito em. Isso exemplifica o valor do sistema de cocientista de IA como uma tecnologia de assistência, pois ele é capaz de utilizar com eficiência todas as descobertas de décadas de literatura de acesso aberto sobre o assunto.

Linha do tempo da colaboração da IA com cientistas para redescobrir novos mecanismos de transferência de genes. Azul: linha do tempo do processo de pesquisa experimental para as descobertas de mobilidade do cf-PICI. Vermelho: os cocientistas de IA desenvolvem e generalizam essas descobertas importantes (na ausência de conhecimento a priori).

Limitações e perspectivas: uma escada de progresso contínuo

No relatório, a equipe detalha várias limitações do sistema e direções para aprimoramento, incluindo: revisão aprimorada da literatura, verificação de fatos, validação cruzada com ferramentas externas, técnicas de avaliação automatizadas e avaliações em maior escala, como convidar mais especialistas de domínio com diferentes temas de pesquisa para participar. A introdução dos cocientistas de IA representa um avanço significativo na tecnologia de pesquisa assistida por IA, que deverá acelerar significativamente o processo de descoberta científica. O sistema é capaz de gerar hipóteses novas e testáveis em vários domínios científicos e biomédicos, algumas das quais já foram validadas em experimentos, e é capaz de se autoaperfeiçoar recursivamente por meio de um poder aritmético aprimorado. Juntos, esses atributos demonstram seu grande potencial para acelerar a resposta dos pesquisadores aos principais desafios da ciência e da medicina. Espera-se explorar ainda mais o potencial dos cientistas colaborativos de IA como auxiliares de pesquisa de maneira responsável. Esse projeto demonstra claramente como os sistemas de IA colaborativos e centrados no ser humano podem aprimorar a criatividade humana e acelerar a descoberta científica.

AI 协同科学家 “Trusted Tester Program” 启动，邀您共同探索科研新范式

研究团队对 AI 协同科学家系统展现出的初步成果感到振奋，并认为有必要在更广泛的科学和生物医学领域评估其优势和局限性。为了负责任地推进这项工作，研究团队将通过 “Trusted Tester Program” 向研究机构开放系统访问权限。全球感兴趣的研究机构均可考虑加入该计划，详情请见 link (em um site).