Onderzoekers van de Chalmers University of Technology in Zweden hebben een AI-systeem ontwikkeld dat zelfstandig wetenschappelijke hypothesen kan opstellen, experimenten kan voorstellen en de resultaten daarvan kan interpreteren. In laboratoriumproeven met bakkersgist wist het systeem bovendien nieuwe biologische interacties te vinden en experimenteel te toetsen.
Het onderzoek, gepubliceerd in het Journal of the Royal Society Interface, is een voorbeeld van een zogenoemd self-driving laboratory: een onderzoeksomgeving waarin AI en laboratoriumautomatisering samen een groot deel van de wetenschappelijke cyclus uitvoeren.
Het systeem werkt daarbij in een gesloten lus. Op basis van beschikbare kennis formuleert de AI een hypothese, bepaalt welke experimenten daarvoor nodig zijn, beoordeelt vervolgens de resultaten en gebruikt die uitkomsten om nieuwe onderzoeksvragen te genereren.
Voor het onderzoek richtten de wetenschappers zich op Saccharomyces cerevisiae, de gistsoort die onder meer wordt gebruikt bij het brouwen van bier en die tevens een veelgebruikt modelorganisme is in biologisch onderzoek. Het AI-systeem kreeg gestructureerde informatie over onder meer het genoom en het metabolisme van de gist, aangevuld met kennis uit eerder onderzoek.
AI gekoppeld aan biologische kennis
Grote taalmodellen werden gecombineerd met geautomatiseerd redeneren, biologische kennisstructuren en beperkingen die rekening houden met wat daadwerkelijk in het laboratorium kan worden getest.
Daarmee probeerden de onderzoekers een bekend probleem van grote taalmodellen te ondervangen. Hoewel deze modellen grote hoeveelheden wetenschappelijke informatie kunnen verwerken, zijn ze volgens de onderzoekers niet altijd betrouwbaar bij complexe logische redeneringen. Daarom werd het taalmodel gekoppeld aan onder meer symbolische relationele modellen, vaste begrippenstructuren en experimentele randvoorwaarden.
Nieuwe verbanden experimenteel bevestigd
Het systeem leverde volgens de publicatie verschillende nieuwe biologische bevindingen op. Zo werd vastgesteld dat glutamaat de groei van gistcellen kan remmen wanneer deze met spermine worden behandeld. Ook ontdekte het systeem dat aminoadipaat de effecten van stress door mierenzuur gedeeltelijk kan verminderen.
Deze hypotheses werden niet alleen door de AI gegenereerd, maar vervolgens ook in het laboratorium getest.
Volgens onderzoeker Ievgeniia Tiukova ligt juist in die combinatie het verschil met veel bestaande toepassingen van AI in de wetenschap. Het systeem analyseert niet alleen gegevens en ondersteunt onderzoekers bij beslissingen, maar gebruikt nieuwe experimentele resultaten om zelfstandig zijn beeld van een biologisch systeem verder aan te passen. Daardoor ontstaat een doorlopend proces van hypothesevorming, testen en verfijnen.
Robotwetenschapper Eve krijgt nieuwe rol
Voor de uitvoering van de experimenten maakten de onderzoekers gebruik van geautomatiseerde celkweek en metabolomics. Ook robotwetenschapper Eve speelt een rol in de onderzoeksomgeving bij Chalmers.
Eve werd oorspronkelijk ontwikkeld voor geautomatiseerd geneesmiddelenonderzoek en is inmiddels uitgebreid met technieken rond grote taalmodellen en geautomatiseerd redeneren. Het systeem bouwt voort op eerder werk van onderzoeksleider Ross King, die ook betrokken was bij de ontwikkeling van robotwetenschappers Adam en Eve.
Menselijke wetenschapper blijft nodig
De onderzoekers zien dergelijke systemen voorlopig vooral als aanvulling op menselijke wetenschappers. AI kan bijvoorbeeld grote aantallen mogelijke verbanden systematisch onderzoeken en routinematige cycli van hypothesevorming en experimenten uitvoeren. Mensen blijven volgens de onderzoekers nodig om onderzoeksprioriteiten te bepalen, de bredere betekenis van resultaten te beoordelen en toezicht te houden op onder meer ethische aspecten.
De ontwikkeling past binnen een bredere beweging richting autonome laboratoria. Daarbij worden AI-systemen gekoppeld aan robotica en meetapparatuur om delen van het onderzoeksproces automatisch te laten verlopen. Het uiteindelijke doel is niet alleen om experimenten sneller uit te voeren, maar ook om automatisch te bepalen welke experimenten op basis van eerdere resultaten het meest zinvol zijn om vervolgens uit te voeren.
