Tausende GPT-Rosalind-Agenten werten Mausgehirndaten in 32 Minuten aus
OpenAI, PerturbAI und Scripps Research haben nach eigenen Angaben Tausende KI-Agenten auf Basis von GPT-Rosalind eingesetzt, um vorhandene Experimentaldaten von Millionen Mausgehirnzellen in nur 32 Minuten auszuwerten. Laut OpenAI verknüpften die Agenten die Folgen von Genausfällen mit der wissenschaftlichen Literatur und stießen auf unerwartete Ansatzpunkte, die für Alzheimer, Parkinson und andere Erkrankungen des Gehirns relevant sind.
- Tausende GPT-Rosalind-Agenten werteten laut OpenAI Daten von Millionen Mausgehirnzellen in 32 Minuten aus.
- Eine vergleichbare menschliche Analyse würde nach Schätzung des Forschungsteams Monate bis ein Jahr dauern.
- Bei der größten Last zitierten die verteilten Agenten mehr als 700 Quellen, ein einzelner Agent nur 11.
- Menschliche Fachleute bevorzugten in verblindeten Vergleichen in 75 Prozent der Fälle die Berichte der verteilten Agenten.
- Der Reasoning-Atlas steht Forschenden öffentlich zur Verfügung.
Verteiltes biologisches Schlussfolgern im großen Maßstab
Das Team verteilte die Analyse auf Tausende Agenten, die auf GPT-Rosalind basieren. OpenAI bezeichnet diesen Ansatz als „distributed biological reasoning“ (verteiltes biologisches Schlussfolgern). Die Agenten arbeiteten mit einem CRISPR-Atlas des gesamten Gehirns, einem Datensatz, der zeigt, wie sich Genausfälle auf verschiedene Zelltypen im Mausgehirn auswirken.
Jeder Agent untersuchte jeweils einen Genausfall, analysierte die Reaktionen der Zellen, durchsuchte die wissenschaftliche Literatur und schlug Erklärungen für die Ergebnisse vor. Ihre Berichte wurden anschließend zu einem Reasoning-Atlas zusammengeführt, der Gene, zelluläre Effekte, relevante Publikationen und mögliche biologische Mechanismen verknüpft.
Das Forschungsteam schätzte, dass eine vergleichbare menschliche Analyse samt Literaturrecherche, Störung für Störung durchgeführt, Monate bis ein Jahr dauern würde. Laut OpenAI reproduzierten die Agenten Ergebnisse menschlicher Analysen und deckten zusätzliche Ansatzpunkte auf. Ihre Einschätzungen zu Neuheit und wissenschaftlichem Wert deckten sich mit den Urteilen verblindeter menschlicher Fachleute.
Hinweise zu Tsc1, Tsc2 und DCTN1
Ein Befund betraf Tsc1 und Tsc2, zwei Gene, die gemeinsam mTOR steuern, einen zentralen Regulator von Zellwachstum, Stoffwechsel und Alterung. Der Ausfall eines der beiden Gene hatte in mehreren Gruppen von Neuronen ähnliche Folgen. Im Kleinhirn veränderte der Ausfall von Tsc2 jedoch die Aktivität Dutzender Gene, die an der Kommunikation zwischen Nervenzellen beteiligt sind, während der Ausfall von Tsc1 kaum Veränderungen bewirkte.
OpenAI weist darauf hin, dass bei Menschen mit tuberöser Sklerose Auffälligkeiten im Kleinhirn eng mit TSC2-Mutationen zusammenhängen. Medikamente, die die mTOR-Aktivität senken, können bestimmte Hirntumoren und Krampfanfälle behandeln, doch die mit der Erkrankung verbundenen Lern- und Verhaltensschwierigkeiten lassen sich weiterhin schwer angehen. Die Agenten verwiesen auf eine bestimmte Gruppe von Neuronen und zelluläre Veränderungen, die eine nähere Untersuchung lohnen.
Ein zweiter Ansatzpunkt betraf DCTN1, ein Gen, dessen Mutationen das Perry-Syndrom verursachen, eine neurodegenerative Erkrankung mit Parkinson-ähnlichen Symptomen. Im Atlas steigerte der Ausfall von Dctn1 die Aktivität von Genen, die an der Cholesterinbildung beteiligt sind. Die Agenten brachten dies mit Forschung in Verbindung, wonach Störungen beim Cholesterintransport dazu führen könnten, dass Zellen mehr Cholesterin herstellen. Daraus ergab sich eine Folgefrage: Könnte der Ausfall von DCTN1 die Verteilung des Cholesterins in Neuronen verändern, und könnte das zur Neurodegeneration beitragen? Menschliche Fachleute hielten die Hypothese laut OpenAI für neu, folgenreich und weiterverfolgenswert.
Viele Agenten gegen einen
Das Team prüfte außerdem, ob ein einzelner Agent mit dem gesamten Datensatz mit Tausenden parallel arbeitenden Agenten mithalten kann, bei gleichem Modell und gleichen Ressourcen. Mit wachsendem Arbeitsumfang durchsuchte der einzelne Agent weniger Literatur. Bei der größten Last zitierte er nur 11 Quellen, die verteilten Agenten dagegen mehr als 700.
In verblindeten Vergleichen bevorzugten menschliche Fachleute die Berichte der verteilten Agenten in 75 Prozent der Fälle gegenüber denen des einzelnen Agenten, so OpenAI. Das Unternehmen argumentiert, parallele Agenten könnten ein breiteres Spektrum an Reaktionen untersuchen, auch subtile oder unerwartete, statt sich nur auf die stärksten Signale zu konzentrieren.
Was das für Forschende bedeutet
Der Reasoning-Atlas ist ab sofort verfügbar. Wissenschaftlerinnen und Wissenschaftler können damit verwandte Gene vergleichen, unerwartete Reaktionen untersuchen und Ansatzpunkte für die weitere Arbeit auswählen. Die Ergebnisse sind Hypothesen; laut OpenAI helfen sie dabei, weitere Experimente zu priorisieren, die zur Überprüfung der vorgeschlagenen Mechanismen nötig sind.
Tomasz Nowakowski von der UCSF sagte zum möglichen Zusammenhang zwischen neuronaler Funktion und Cholesterinstoffwechsel, er zeige, „wie diese Puzzleteile, einmal zusammengeführt, uns eine neue Sichtweise auf die Biologie von Krankheiten eröffnen können“. OpenAI betont, dass Forschende im Zentrum der Entdeckung bleiben und KI ihnen dabei hilft, zu entscheiden, welchen Ideen sie nachgehen, Experimente zu entwerfen und Ergebnisse zu interpretieren.
