Google Research anuncia o Co-scientist, baseado no Gemini 2.0

O co-scientist é um sistema de IA multiagente construído com o Gemini 2.0 para ajudar cientistas a formular novas hipóteses e acelerar o ritmo da pesquisa.

• Inspirado no método científico tradicional, usa agentes especializados em Generation, Reflection, Ranking, Evolution, Proximity e Meta-review. Esses agentes trocam feedback de forma recursiva e aprimoram as próprias ideias.
• Os cientistas podem fornecer ideias para a IA e também dar feedback sobre as ideias geradas por ela.
• Foi introduzido um sistema de classificação Elo para avaliar as respostas do modelo, e com base nisso os resultados melhoram ao longo do tempo
  • Gemini 2.0 Pro e especialistas humanos ficam abaixo de 1300 na classificação Elo.
  • O Co-scientist cresce com o tempo, indo de 1300 para mais de 1500.
  • Quando especialistas humanos avaliaram os resultados do modelo, o co-scientist recebeu notas melhores que Gemini 2.0 Pro e OpenAI o1.
• Para avaliar a utilidade prática, foram conduzidos experimentos em reaproveitamento de fármacos (Drug repurposing), proposta de novos alvos terapêuticos (Novel treatment target discovery) e elucidação dos mecanismos por trás da resistência antimicrobiana (Elucidating the mechanisms underlying antimicrobial resistance). O processo contou com intervenção de especialistas.
• Reaproveitamento de fármacos para leucemia mieloide aguda
  • Reaproveitamento de fármacos significa encontrar novos usos para medicamentos existentes, em vez de desenvolver novos remédios. Isso exige ampla expertise interdisciplinar.
  • O Co-scientist propôs novos candidatos a reposicionamento para leucemia mieloide aguda. Análises computacionais, feedback clínico e testes in vitro mostraram que os fármacos reduzem a viabilidade tumoral.
• Avanços na descoberta de alvos terapêuticos para fibrose hepática
  • A descoberta de alvos terapêuticos sofre com muita ineficiência na seleção de hipóteses e na priorização de experimentos.
  • Foram realizados proposta de hipóteses, priorização e geração de protocolos experimentais para descoberta de alvos em fibrose hepática.
  • Os alvos identificados pelo Co-scientist mostraram forte atividade antifibrótica nos experimentos.
• Explicação dos mecanismos de resistência antimicrobiana
  • Explicar os mecanismos de resistência antimicrobiana envolve estudar como microrganismos evoluem e transferem genes para escapar de terapias.
  • Os pesquisadores instruíram o Co-scientist a explorar de forma independente um tema que já havia sido descoberto, mas ainda não havia sido divulgado.
  • A hipótese apresentada pela IA já havia sido validada experimentalmente e estava prestes a ser publicada.

Espera-se que o Co-scientist acelere as descobertas científicas como uma ferramenta de apoio para cientistas.

[GN⁺]

Comentários do Hacker News

• Não sei se as pessoas aqui leram o artigo inteiro, mas segue um trecho

  • O AI Co-scientist previu oportunidades de reaproveitamento de fármacos e, junto com parceiros, validou as previsões por meio de biologia computacional, feedback de clínicos especialistas e experimentos
  • O AI Co-scientist sugeriu um novo candidato de reaproveitamento para leucemia mieloide aguda (AML), e os experimentos confirmaram que o fármaco proposto suprimiu a viabilidade tumoral em várias linhagens celulares de AML em concentrações clinicamente relevantes
  • Pesquisadores especialistas instruíram o AI Co-scientist a explorar um tema sobre o qual já havia uma nova descoberta dentro do grupo, mas ainda não publicada, e o AI Co-scientist propôs independentemente que ele interage com diversas caudas de fago para expandir o espectro de hospedeiros
  • Essa descoberta foi validada em experimentos de laboratório realizados antes do uso do sistema AI Co-scientist e é descrita em um artigo publicado simultaneamente em colaboração com a Fleming Initiative e o Imperial College London
  • O modelo de IA conseguiu apresentar uma nova hipótese científica validada em laboratório, e isso tem implicações muito importantes

• Acho engraçada a expressão "reaproveitamento de fármacos para AML"

  • Como alguém fazendo doutorado em AML por meio de subtipagem molecular e predição ex-vivo de fármacos, isso me parece bem aleatório
  • Em vez de reaproveitamento aleatório de fármacos, eu gostaria de propor nosso pipeline
  • Aliás, estamos procurando formas de financiar e comercializar nosso pipeline; se houver interesse, é possível entrar em contato pelo site

• Sinceramente, não sei por que eu deveria usar isso

  • Não preciso de uma IA para conectar ideias ou sugerir novas hipóteses
  • Preciso escrever e testar código de pipeline de dados para normalizar, em um enorme banco de dados, dados organizados de forma única para cada projeto
  • Preciso escrever e testar pipelines de dados para detectar eventos em dados acústicos, tanto no espaço de amplitude quanto no espaço de frequência
  • Preciso lidar com os dados testando o frontend do backend de análise de dados
  • Talvez descoberta de fármacos exija testar muitas variáveis, iterando uma a uma sobre os valores disponíveis
  • Mas isso não se aplica à minha pesquisa
  • Nem tudo serve para todo mundo, e tudo bem

• O mercado parece correr na direção para a qual o cata-vento apontou por último, independentemente de qual seja

  • Isso me lembra um estudo segundo o qual pesquisadores ficam mais produtivos ao trabalhar com sistemas de IA, mas menos satisfeitos com o trabalho
  • Foi relatado que o suporte de IA ajudou cientistas a descobrir 44% mais materiais e aumentou os pedidos de patente em 39%, mas 82% dos cientistas disseram estar menos satisfeitos com o trabalho

• Em geral, parece que estamos caminhando para o conceito de sociedade da mente de Minsky

  • A OpenAI está tentando integrar todos os modelos em um único modelo universal, mas internamente pode ser uma questão de roteamento
  • Agentes especializados em chamadas de ferramentas específicas, formas de raciocínio etc. podem ser uma direção útil como framework conceitual/base

• Tenho usado IA no workflow recentemente

  • Faço um resumo das descobertas até agora e peço à IA para sugerir explicações e recomendar testes adicionais
  • 70% das ideias da IA são inúteis, mas às vezes só falta um prompt adicional
  • Entre as ideias sugeridas pela IA, há coisas em que eu não tinha pensado
  • A IA não pode substituir um humano com conhecimento, mas como ferramenta para ajudar humanos supera consultores caros em nível de doutorado

• Li a citação de um cientista em uma matéria de jornal, e me surpreendeu o fato de que a equipe dele trabalhou por 10 anos para resolver o problema, mas não publicou nada de uma forma que a IA pudesse processar facilmente

  • É difícil provar que outro pesquisador não sugeriu a mesma ideia
  • Fiquei me perguntando se um concorrente dele, caso tivesse feito a mesma busca um mês antes, poderia ter reivindicado prioridade

• Tenho sido negativo em relação à IA ultimamente, mas lembro da primeira vez que usei Eliza

  • Acho que eu aceitaria uma IA me apresentando uma lista de problemas e perguntando como resolvê-los
  • Gostaria de ver a tecnologia de IA aplicada a testes baseados em propriedades

• Conjunto interessante de comentários

  • Pessoalmente, achei excelente
  • É um co-cientista, não um "cientista"
  • Há muito valor em avaliar esse "algo" que pode revisar o trabalho e fornecer resultados interessantes
  • Há muitas ideias que não são consideradas por serem caras
  • Se houver uma "expectativa razoável", o risco de fracasso diminui
  • Não sou mais "cientista", mas adoraria brincar com isso e ver que combinações estranhas poderiam potencialmente produzir algo

• Como cientista biomédico, já vi várias vezes desenvolvedores de IA tenderem a afirmar que a IA será mais inteligente do que humanos e gerará hipóteses melhores

  • Por exemplo, no ensaio do Google afirma-se que o CRISPR é um esforço interdisciplinar que combina microbiologia, genética e biologia molecular
  • Afirma-se que o AI Co-scientist poderá integrar vários campos para gerar novas hipóteses
  • Acho que cientistas da computação não estão familiarizados com pesquisa biomédica e por isso não entendem que microbiologia/genética/biologia molecular são áreas intimamente conectadas
  • Biólogos têm muitas boas ideias
  • O problema é que leva tempo para testar essas ideias de forma suficiente
  • IA e outros LLMs são um Google poderoso e bons escritores de código
  • Como erram 30% das vezes, é preciso muito cuidado ao usá-los
  • Não desperdiçar tempo explorando hipóteses erradas é algo positivo
  • Mas já conseguimos distinguir com facilidade hipóteses boas de hipóteses ruins
  • Problemas políticos não serão resolvidos pela IA

[hhkkkk]

Eu te amo, Hassabis~