Google Research stellt Co-scientist auf Basis von Gemini 2.0 vor

Co-scientist ist ein Multi-Agenten-KI-System auf Basis von Gemini 2.0, das Wissenschaftler dabei unterstützt, neue Hypothesen aufzustellen und die Forschung zu beschleunigen.

• Inspiriert von der klassischen wissenschaftlichen Methode kommen spezialisierte Agenten für Generation, Reflection, Ranking, Evolution, Proximity und Meta-review zum Einsatz. Diese Agenten geben sich rekursiv Feedback und verbessern ihre Ideen selbstständig.
• Wissenschaftler können der KI eigene Ideen geben oder Feedback zu den Ideen der KI liefern.
• Für die Bewertung der Modellantworten wird ein Elo-Rating eingesetzt, auf dessen Basis die Modellergebnisse im Lauf der Zeit verbessert werden.
  • Gemini 2.0 Pro und menschliche Experten liegen bei einem Elo-Rating von 1300 oder darunter.
  • Co-scientist steigt im Lauf der Zeit von 1300 auf über 1500.
  • Auch wenn menschliche Experten die Modellergebnisse bewerteten, erhielt Co-scientist bessere Bewertungen als Gemini 2.0 Pro und OpenAI o1.
• Zur Bewertung der Praxistauglichkeit wurden Experimente zu Drug Repurposing, zur Entdeckung neuer Therapieziele und zur Aufklärung der Mechanismen hinter antimikrobieller Resistenz durchgeführt. Die Experimente fanden unter Einbeziehung von Experten statt.
• Drug Repurposing für akute myeloische Leukämie
  • Drug Repurposing bedeutet, statt neue Medikamente zu entwickeln neue Einsatzmöglichkeiten für bestehende Wirkstoffe zu finden. Dafür ist umfassende fachübergreifende Expertise nötig.
  • Co-scientist schlug neue Kandidaten für die Wiederverwendung bei akuter myeloischer Leukämie vor. Computergestützte Analysen, klinisches Feedback und in vitro-Tests zeigten, dass die Wirkstoffe die Überlebensfähigkeit von Tumoren beeinträchtigen.
• Fortschritte bei der Entdeckung von Therapiezielen für Leberfibrose
  • Bei der Entdeckung von Therapiezielen entstehen viele Ineffizienzen bei der Auswahl von Hypothesen und der Priorisierung von Experimenten.
  • Es wurden Hypothesen für die Zielentdeckung bei Leberfibrose vorgeschlagen, priorisiert und experimentelle Protokolle erstellt.
  • Die von Co-scientist identifizierten Ziele zeigten in Experimenten eine starke antifibrotische Aktivität.
• Erklärung der Mechanismen antimikrobieller Resistenz
  • Die Erklärung von Mechanismen antimikrobieller Resistenz untersucht, wie Mikroorganismen Gene entwickeln und weitergeben, mit denen sie Therapien umgehen.
  • Das Forschungsteam wies Co-scientist an, ein bereits entdecktes, aber noch nicht veröffentlichtes Thema unabhängig zu untersuchen.
  • Die von der KI vorgeschlagene Hypothese war bereits experimentell bestätigt und stand kurz vor der Veröffentlichung.

Es wird erwartet, dass Co-scientist als Werkzeug zur Unterstützung von Wissenschaftlern wissenschaftliche Entdeckungen beschleunigt.

[GN⁺]

Hacker-News-Kommentare

• Ich bin mir nicht sicher, ob die Leute hier den ganzen Artikel gelesen haben, daher ein Auszug daraus

  • Der AI Co-scientist sagte Möglichkeiten für Drug Repurposing voraus und validierte die Vorhersagen zusammen mit Partnern durch computergestützte Biologie, Feedback von klinischen Expertinnen und Experten sowie Experimente
  • Der AI Co-scientist schlug einen neuen Repurposing-Kandidaten für akute myeloische Leukämie (AML) vor, und Experimente bestätigten, dass der vorgeschlagene Wirkstoff die Tumorviabilität in mehreren AML-Zelllinien bei klinisch relevanten Konzentrationen hemmte
  • Fachforschende wiesen den AI Co-scientist an, ein Thema zu untersuchen, zu dem es bereits neue, aber noch unveröffentlichte Erkenntnisse innerhalb der Gruppe gab, und der AI Co-scientist schlug unabhängig vor, dass er mit verschiedenen Phagenschwänzen interagiert und dadurch das Wirtsspektrum erweitert
  • Diese Entdeckung wurde in Laborexperimenten validiert, die vor der Nutzung des AI-Co-scientist-Systems durchgeführt worden waren, und wird in einer gleichzeitig veröffentlichten Arbeit in Zusammenarbeit mit der Fleming Initiative und dem Imperial College London beschrieben
  • Dass ein AI-Modell neue wissenschaftliche Hypothesen formulieren konnte, die im Labor validiert wurden, hat eine sehr große Bedeutung

• Ich finde die Formulierung „Drug Repurposing für AML“ irgendwie komisch

  • Als jemand, der an einer Promotion zu AML über molekulare Subtypisierung und ex-vivo-Wirkstoffvorhersage arbeitet, wirkt das auf mich ziemlich zufällig
  • Statt zufälligem Drug Repurposing würde ich lieber unsere Pipeline vorschlagen
  • Nebenbei suchen wir nach Möglichkeiten, unsere Pipeline zu finanzieren und zu kommerzialisieren; bei Interesse könnt ihr uns über die Website kontaktieren

• Ehrlich gesagt verstehe ich nicht, warum ich das verwenden sollte

  • Ich brauche keine AI, die Ideen verknüpft oder neue Hypothesen aufstellt
  • Ich muss Data-Pipeline-Code schreiben und testen, um projektweise jeweils anders organisierte Daten in eine große Datenbank zu normalisieren
  • Ich muss Data Pipelines schreiben und testen, um in akustischen Daten Ereignisse sowohl im Amplitudenraum als auch im Frequenzraum zu erkennen
  • Ich muss mich mit den Daten beschäftigen, indem ich das Frontend des Datenanalyse-Backends teste
  • Vielleicht ist Drug Discovery ein Bereich, in dem man viele Variablen testen muss, indem man verfügbare Werte einzeln durchiteriert
  • Aber auf meine Forschung trifft das nicht zu
  • Nicht alles passt für alle, und das ist in Ordnung

• Der Markt scheint immer in die Richtung zu rennen, in die das Wetterrad zuletzt gezeigt hat, egal wohin

  • Das erinnert mich an eine Studie, nach der Forschende mit AI-Systemen produktiver sind, aber weniger Zufriedenheit mit ihrer Arbeit empfinden
  • AI-Unterstützung half Wissenschaftlerinnen und Wissenschaftlern dabei, 44 % mehr Material zu finden und Patentanmeldungen um 39 % zu steigern, aber 82 % berichteten zugleich von geringerer Arbeitszufriedenheit

• Generell scheint es in Richtung von Minskys Konzept der Society of Mind zu gehen

  • OpenAI versucht zwar, alle Modelle in einem universellen Modell zu vereinen, aber intern könnte es letztlich um Routing gehen
  • Dass Agenten auf bestimmte Tool-Calls, Denkweisen usw. spezialisiert sind, könnte als konzeptioneller Rahmen bzw. als Gerüst eine nützliche Richtung vorgeben

• Ich nutze AI in letzter Zeit in meinem Workflow

  • Ich fasse meine bisherigen Erkenntnisse zusammen und bitte die AI, Erklärungen vorzuschlagen und weitere Tests zu empfehlen
  • 70 % der Ideen der AI sind unbrauchbar, aber manchmal braucht es nur zusätzliche Prompts
  • Unter den von der AI vorgeschlagenen Ideen waren einige, auf die ich selbst nicht gekommen wäre
  • AI kann keinen sachkundigen Menschen ersetzen, aber als Werkzeug zur Unterstützung von Menschen ist sie besser als teure Beraterinnen und Berater auf Promotionsniveau

• Ich habe im Zeitungsartikel das Zitat eines Wissenschaftlers gelesen, und es hat mich überrascht, dass sein Team zehn Jahre an dem Problem gearbeitet hatte, aber nichts veröffentlicht hatte, und zwar nicht einmal in einer Form, die eine AI leicht hätte verarbeiten können

  • Es ist schwer zu beweisen, dass kein anderer Forschender dieselbe Idee vorgeschlagen hat
  • Ich frage mich, ob sein Konkurrent hätte Priorität beanspruchen können, wenn er einen Monat früher dieselbe Suche durchgeführt hätte

• Ich bin AI gegenüber heutzutage eher negativ eingestellt, aber ich erinnere mich noch daran, wie ich zum ersten Mal Eliza benutzt habe

  • Ich könnte akzeptieren, dass mir AI eine Liste von Problemen vorlegt und mich nach Lösungen fragt
  • Ich würde gerne sehen, wie AI-Techniken auf eigenschaftsbasiertes Testen angewendet werden

• Interessante Sammlung von Kommentaren

  • Persönlich finde ich es großartig
  • Es ist ein Co-Wissenschaftler und kein „Wissenschaftler“
  • Es hat großen Wert, ein „Etwas“ zu bewerten, das die Arbeit prüfen und interessante Ausgaben liefern kann
  • Es gibt viele Ideen, die wegen der Kosten nicht in Betracht gezogen werden
  • Wenn es eine „begründete Erwartung“ gibt, sinkt das Risiko des Scheiterns
  • Ich bin vielleicht kein Wissenschaftler „mehr“, aber ich würde gerne damit herumspielen und sehen, welche seltsamen Kombinationen sich potenziell ergeben könnten

• Als Biomedizin-Wissenschaftler habe ich schon mehrfach erlebt, dass AI-Entwickler dazu neigen zu behaupten, AI sei klüger als Menschen und würde bessere Hypothesen erzeugen

  • Im Google-Essay wird zum Beispiel behauptet, CRISPR sei eine interdisziplinäre Anstrengung, die Mikrobiologie, Genetik und Molekularbiologie kombiniere
  • Es wird behauptet, der AI Co-scientist könne mehrere Fachgebiete integrieren und dadurch neue Hypothesen erzeugen
  • Ich glaube, Informatikerinnen und Informatiker sind mit biomedizinischer Forschung nicht vertraut genug, um zu verstehen, dass Mikrobiologie, Genetik und Molekularbiologie eng miteinander verbunden sind
  • Biologinnen und Biologen haben viele gute Ideen
  • Das Problem ist, dass es Zeit braucht, diese Ideen ausreichend zu testen
  • AI und andere LLMs sind leistungsstarke Google-Ersatz- und Code-Schreiber
  • Sie liegen zu 30 % falsch, deshalb muss man bei ihrer Nutzung sehr vorsichtig sein
  • Es ist gut, keine Zeit mit der Verfolgung falscher Hypothesen zu verschwenden
  • Aber gute und schlechte Hypothesen kann ich schon jetzt leicht unterscheiden
  • Politische Probleme wird AI nicht lösen können

[hhkkkk]

Ich liebe dich, Hassabis~