Самообучаващият се изкуствен интелект може самостоятелно да анализира сложните биомедицински данни

Представете си биологичен учен, който пита компютър: „Анализирай този набор от транскриптомни данни, намери диференциално експресирани гени и изгради предсказващ модел за отговор на реакция при терапия“ и системата ще го направи сама, като избере правилните инструменти, изгради аналитичен процес и го усъвършенства итеративно. Това обещава BioMedAgent —- нова мултиагентна система, базирана на големи езикови модели (LLM), описана в Nature Biomedical Engineering.

Какво е LLM агент и защо конвенционалните езикови модели не са достатъчни

Големите езикови модели като GPT-4 или Claude са добри в генерирането на текст, кодирането на прости скриптове и отговарянето на въпроси. Но когато работят със сложни научни данни – омически файлове, патологични изображения, многостъпкови аналитични процеси – те се сблъскват със системни ограничения.

Въпреки повсеместното им разпространение в общите области, приложението на LLM за анализ на биомедицински данни е изправено пред постоянни предизвикателства. Присъщата сложност на биомедицинските набори от данни, съчетана с необходимостта от специализирани аналитични инструменти и многоетапно разсъждение, ограничава директното използване на LLM в тази критична област.

Подходът „агент“ е коренно различен от обикновения чатбот: агентът не просто отговаря, а предприема действия – изпълнява код, извиква външни инструменти, интерпретира резултатите и решава какво да прави след това. BioMedAgent развива тази идея в многоагентна архитектура, където различните агенти се специализират в отделни инструменти и си съобщават резултати един на друг.

Този подход е част от по-широка тенденция към ИИ като научен партньор. BioMedAgent използва множество автономни агенти, които колективно се учат да използват различни биоинформатични инструменти. Този колективен интелект е подсилен от самоеволюиращи се възможности, които позволяват на системата да подобри своите знания и стратегии чрез итеративни алгоритми за изследване и придобиване на памет. По същество BioMedAgent може да свързва различни специализирани инструменти в изпълними динамични работни потоци.

Ключовата иновация е механизъм за самоеволюция. За разлика от стандартните LLM, които имат фиксирани знания по време на обучението, агентите на BioMedAgent актуализират своите „банки с памет“ и стратегии по време на работа. Ако намерят по-добър начин за решаване на даден проблем, те съхраняват тези знания и ги използват по-късно – форма на мета-обучение.

Вместо пасивно изпълнение, агентите участват в итеративни диалози за решаване на проблеми, като ефективно заявяват данни, оценяват междинни резултати и коригират своите процеси, за да подобрят точността им. Това по-точно имитира човешкото научно мислене, отколкото традиционните системи с изкуствен интелект.

Какво показват новите наблюдения

Производителността на BioMedAgent беше стриктно валидирана с помощта на наскоро установения бенчмарк BioMed-AQA — изчерпателна колекция от 327 задачи за анализ на биомедицински данни, предназначени да тестват гъвкавостта и точността на системите с изкуствен интелект в реални сценарии. BioMedAgent е постигнал 77% успех при тези задачи, превъзхождайки съществуващите LLM агенти.

Също толкова важна е външната валидация: системата показва изключителна обобщаемост на набора от данни в BixBench — отделен бенчмарк с широк спектър от биомедицински аналитични проблеми. Стабилността на успеха на различните набори от данни показва истинска гъвкавост на системата, а не „обучение“ на специфичен тест.

BioMedAgent демонстрира компетентност в сегментирането на патологични изображения — задача, традиционно запазена за специализираните модели за компютърно зрение. Успешното интегриране на анализа на биомедицински изображения в репертоара му подчертава гъвкавостта на фреймуърка, свързваща омик-данни с визуална диагностика.

Защо това е важно за науката?

Традиционно, използването на усъвършенствани биоинформатични инструменти изискваше задълбочени изчислителни познания, създавайки бариера между експертите в областта и аналитичния потенциал на изкуствения интелект. BioMedAgent премахва тази бариера, като позволява на потребителите да инициират сложни задачи за анализ на данни чрез инструкции на естествен език.

Това е демократизацията на научните инструменти: клиницист, генетик или клетъчен биолог може да получи достъп до усъвършенствани изчислителни методи, без да се налага да учи програмиране в продължение на години. Подобно на начина, по който нанолазерите отварят фотонните изчисления без специална физическа инфраструктура, BioMedAgent понижава прага на навлизане в сложната биоинформатика.

Излизайки отвъд биомедицината, фундаменталният дизайн на BioMedAgent предполага неговата приложимост в научните области, които включват сложни вериги от инструменти и изискват фино многоетапно разсъждение – като например екологични науки, откриване на материали и химичен синтез.

Интересни факти

Многоагентните системи с изкуствен интелект са една от най-актуалните тенденции в съвременната изследователска общност в областта на машинното обучение. За разлика от единния „монолитен“ модел, многоагентната архитектура позволява разпределяне на задачи между специализирани агенти, повишаване на отказоустойчивостта и модулното разширяване на системата.

Крос-омикс анализът – интегрирането на геномни, транскриптомни, протеомни и метаболомни данни в една обща картина – е един от най-сложните и ценни методи в съвременната биомедицина. Той ни позволява да идентифицираме системните връзки между гени, протеини и метаболити, участващи в заболяванията. Именно тук автоматизацията е особено важна: обемът и разнообразието на данните надхвърлят човешките възможности за ръчен анализ.

BioMed-AQA е бенчмарк от 327 задачи, който вече е свободно достъпен за научната общност. Това е важно: без стандартизирани тестове е трудно да се сравняват различни системи или да се проследява напредъкът в областта. Публикуването на бенчмарка заедно със самата система е знак за отговорен подход към отворената наука.

Сегментирането на патологичните изображения е задача, при която изкуственият интелект вече е показал свръхчовешка точност при откриване на тумори, предракови състояния и редки заболявания. Фактът, че BioMedAgent може да се справи с това без отделен специализиран модул, е доказателство за истинската универсалност на системата.