Google DeepMind представила Co-Scientist — ИИ, сокращающий поиск лекарств с лет до дней

Google DeepMind представила систему Co-Scientist — многоагентного ИИ-партнера для ускорения научных исследований. Инструмент, построенный на базе модели Gemini, не просто ищет информацию, а самостоятельно генерирует, обсуждает и оттачивает научные гипотезы. Система уже показала результаты в тестировании: она помогла найти препараты для лечения фиброза печени, сократив время анализа данных с месяцев до дней. Инструмент станет доступен исследователям через платформу Gemini for Science в ближайшие недели.

Как работает многоагентная система

Co-Scientist имитирует коллективный разум научного сообщества. Вместо одного алгоритма, выдающего ответ, система использует коалицию специализированных агентов, каждый из которых выполняет свою роль в цикле научного поиска. Процесс напоминает работу исследовательской группы, где одни предлагают идеи, другие критикуют их, а третьи выбирают лучшие варианты для развития.

Система разбивает работу на три ключевых этапа:

• Генерация идей: Агенты предлагают новые направления исследований и гипотезы, опираясь на научную литературу и данные. Один из агентов обеспечивает разнообразие подходов, чтобы не упустить ни одну перспективную ветку.
• Дебаты и критика: Агенты выступают в роли «виртуальных рецензентов». Они проверяют гипотезы на корректность и новизну, а затем проводят «турнир идей», где варианты соревнуются друг с другом через парные сравнения.
• Эволюция решений: Лучшие гипотезы постоянно дорабатываются, комбинируются и улучшаются. Итоговый агент синтезирует результаты дебатов в готовое предложение для ученого.

Весь процесс координирует супервизор, который разбивает сложные задачи на шаги и запускает работу агентов параллельно. Это позволяет системе исследовать тысячи направлений одновременно, вместо того чтобы двигаться по одной линейной траектории.

Важный нюанс: Система не заменяет ученого, а берет на себя рутинную часть работы по анализу огромных массивов данных, освобождая исследователя для экспериментов и глубокого анализа.

Турнир идей и проверка фактов

Главный механизм отбора гипотез в Co-Scientist — это «турнир идей», вдохновленный алгоритмами, используемыми в AlphaGo. Агенты ведут научные дебаты, чтобы выявить наиболее перспективные пути. Однако система не полагается только на логику дебатов; она жестко проверяет каждое утверждение.

Большая часть вычислительной мощности уходит на верификацию. Система перепроверяет гипотезы против научной литературы и специализированных баз данных, таких как ChEMBL и UniProt. Для углубленного анализа она может использовать инструменты вроде AlphaFold. Это гарантирует, что сгенерированные идеи не просто звучат убедительно, но и имеют под собой фактологическую основу.

Практические результаты в биомедицине

За последний год система тестировалась совместно с экспертами из более чем 100 учреждений. Первые результаты уже зафиксированы в реальных лабораториях:

• Лечение фиброза печени: Система помогла ученому Гэри Пельцу (Gary Peltz) найти забытый препарат. В лабораторных тестах он заблокировал 91% реакции, связанной с образованием рубцовой ткани.
• Борьба с болезнью Альцгеймера (ALS): Исследователи из Массачусетского технологического института (MIT) использовали Co-Scientist для объединения биологических инструментов и поиска новых подходов к лечению, основанных на РНК.
• Обратное старение клеток: Лаборатория Омара Абудейе (Omar Abudayyeh) сократила время анализа огромных наборов данных с месяцев до дней, найдя генетические мишени для омоложения клеток.
• Инфекционные заболевания: Профессор Клэр Брайант (Clare Bryant) из Кембриджа использовала систему для поиска белков, вызывающих тяжелые формы гриппа и COVID-19, сократив годы экспериментальной работы до нескольких месяцев.

Стоит учесть: Успех системы зависит от качества входных данных и способности агентов находить скрытые связи в разрозненных фактах, что часто недоступно человеческому глазу при ручном анализе.

Безопасность и доступность

Разработка велась с упором на безопасность. Поскольку система демонстрирует высокую эффективность в естественных и физических науках, она прошла независимую оценку на предмет возможного misuse в сферах химического, биологического, радиологического и ядерного (CBRN) оружия. Для предотвращения рисков внедрены специальные классификаторы, блокирующие неэтичные цели исследований.

Инструмент станет доступен отдельным исследователям через экспериментальный сервис Hypothesis Generation в ближайшие недели. Регистрация интереса открыта на платформе labs.google/science. Также идет подготовка корпоративной версии для партнеров Google Cloud, включая компании Daiichi Sankyo, Bayer Crop Science и национальные лаборатории США.

Операционные последствия и тренды

• Сокращение цикла R&D: Внедрение многоагентных систем позволяет сжимать этапы генерации гипотез и первичного анализа данных, что критически важно для фармацевтики и биотеха, где время выхода на рынок определяет успех.
• Новые требования к данным: Эффективность таких систем напрямую зависит от качества и структурированности научных баз данных. Это создает стимул для цифровизации и унификации научных публикаций и лабораторных журналов.
• Смена роли исследователя: Ученые переходят от роли «сборщика информации» к роли «архитектора гипотез» и «валидатора». Ключевым навыком становится умение правильно формулировать задачи для ИИ и интерпретировать его выводы.
• Риск галлюцинаций: Несмотря на встроенные механизмы проверки, любая генеративная модель несет риск ошибок. Окончательное решение о проведении эксперимента всегда остается за человеком, что требует сохранения высокой квалификации в предметной области.