[論文レビュー] Towards an AI co-scientist

Juraj Gottweis, Wei‐Hung Weng+32 more|ArXiv.org|Feb 26, 2025

Genomics and Rare Diseases被引用数 25

ひとこと要約

本論文は、Gemini 2.0ベースのマルチエージェントを用いたAI共創科学者を提示します。研究者を巻き込んだ協調によって、新規の生物医薬仮説と研究提案を生成・討論・進化させます。

ABSTRACT

Scientific discovery relies on scientists generating novel hypotheses that undergo rigorous experimental validation. To augment this process, we introduce an AI co-scientist, a multi-agent system built on Gemini 2.0. The AI co-scientist is intended to help uncover new, original knowledge and to formulate demonstrably novel research hypotheses and proposals, building upon prior evidence and aligned to scientist-provided research objectives and guidance. The system's design incorporates a generate, debate, and evolve approach to hypothesis generation, inspired by the scientific method and accelerated by scaling test-time compute. Key contributions include: (1) a multi-agent architecture with an asynchronous task execution framework for flexible compute scaling; (2) a tournament evolution process for self-improving hypotheses generation. Automated evaluations show continued benefits of test-time compute, improving hypothesis quality. While general purpose, we focus development and validation in three biomedical areas: drug repurposing, novel target discovery, and explaining mechanisms of bacterial evolution and anti-microbial resistance. For drug repurposing, the system proposes candidates with promising validation findings, including candidates for acute myeloid leukemia that show tumor inhibition in vitro at clinically applicable concentrations. For novel target discovery, the AI co-scientist proposed new epigenetic targets for liver fibrosis, validated by anti-fibrotic activity and liver cell regeneration in human hepatic organoids. Finally, the AI co-scientist recapitulated unpublished experimental results via a parallel in silico discovery of a novel gene transfer mechanism in bacterial evolution. These results, detailed in separate, co-timed reports, demonstrate the potential to augment biomedical and scientific discovery and usher an era of AI empowered scientists.

研究の動機と目的

• AI支援の仮説生成の動機づけと可能性を開く。生物医学の科学的発見を加速させる。
• 推論と提案生成のために科学的方法を模倣する、スケーラブルなマルチエージェントアーキテクチャを開発する。
• 自然言語インターフェースと調整可能な制約を備えた研究者を含むループ協働を自然言語インターフェースと調整可能な制約で実証する。
• 薬物再利用、新規標的発見、抗菌薬耐性機構のエンドツーエンド検証を示す。

提案手法

• Gemini 2.0を基盤とし、非同期タスクフレームワークを備えたマルチエージェントシステムを提案する。
• Generation、Reflection、Ranking、Evolution、Proximity、Meta-reviewなどの専門エージェントを用いて、仮説を生成・討論・進化させるトーナメント形式。
• 長期的反復推論を可能にするコンテキストメモリを組み込む。
• 出力を文献引用と推論の説明可能性を伴って出力を根拠づける。
• 自然言語による科学者のフィードバックを可能にし、出力を制約と安全基準に合わせる。
• 外部のウェットラボ検証レポートを含む、3つの生物医学領域でのエンドツーエンド検証を提供する。

実験結果

リサーチクエスチョン

• RQ1 AI共著科学者は、科学者が指定した目標に整合した新規で検証可能な生物医学的仮説を生成できるか？
• RQ2 試行時の計算資源を拡大すると、自己改善トーナメントフレームワークを通じて仮説の質と新規性は向上するか？
• RQ3 科学者を含むループがAIエージェントと協働して、文献に基づく実行可能な実験計画を生み出す効果はどの程度か？
• RQ4 薬物再利用、標的発見、AMR（抗微生物薬耐性）メカニズムにまたがるAI主導の仮説生成を裏づける証拠は何か？

主な発見

• AI共著科学者は、AMLの新規再利用候補を、臨床的に関連する濃度で体外腫瘍抑制を示す。
• ヒト肝臓オルガノイドにおいて抗線維化活性を示す肝線維症の新規エピジェネティック標的を特定する。
• AMRに関連する細菌進化の新規遺伝子移転機構を提案することで、未公表の実験結果を再現する。
• 3つの生物医学的問題に跨るエンドツーエンド検証は、発見ワークフローを補強する可能性を示している。
• トーナメントベースの進化プロセスによる自己改善ループは、計算リソースの継続的なスケーリングとともに仮説の質を高める。