La investigación biomédica es un campo en rápida evolución que busca avanzar en la salud humana al descubrir los mecanismos detrás de las enfermedades, identificar nuevos objetivos terapéuticos y desarrollar tratamientos efectivos. Este campo abarca diversas áreas, incluidas la genética, la biología molecular, la farmacología y los estudios clínicos, que requieren herramientas especializadas y experiencia en profundidad. La creciente complejidad de los datos biomédicos, los experimentos y la literatura ha creado oportunidades y desafíos. Los investigadores deben integrar los hallazgos de la genómica, la proteómica y otras fuentes de datos para generar hipótesis, diseñar experimentos e interpretar los resultados. La capacidad de gestionar eficientemente esta complejidad es crucial para acelerar el descubrimiento científico y traducir los hallazgos en aplicaciones clínicas.
Los desafíos centrales en la investigación biomédica son el gran volumen de datos, métodos y herramientas que deben manejarse para producir resultados significativos. Los investigadores a menudo enfrentan flujos de trabajo fragmentados, confiando en numerosas herramientas especializadas que no se integran bien entre sí. Esto crea cuellos de botella al intentar diseñar experimentos, procesar grandes conjuntos de datos o interpretar información biomédica multimodal. El problema se ve agravado por el hecho de que los investigadores humanos expertos tienen una disponibilidad limitada, lo que dificulta mantener el ritmo del creciente cuerpo de conocimiento científico. Como resultado, las porciones significativas de los datos biomédicos permanecen subutilizados, y a menudo se pierden conexiones entre los hallazgos en diferentes subcampos. Abordar estas preocupaciones requiere un nuevo enfoque que pueda escalar la experiencia, manejar la complejidad de los datos y respaldar los flujos de trabajo integrados en varios dominios biomédicos.
Las herramientas existentes para la investigación biomédica a menudo se centran en tareas estrechas, como el análisis de genes específicos, la predicción de la estructura de proteínas o los estudios de interacción con el objetivo del fármaco. Estas herramientas requieren una configuración cuidadosa, conocimiento específico del dominio e integración manual en flujos de trabajo más amplios. Si bien los modelos de idiomas grandes (LLM) han mostrado prometedor en tareas como la respuesta de las preguntas biomédicas, generalmente no pueden interactuar directamente con herramientas o bases de datos especializadas. Los esfuerzos pasados para crear agentes de IA para tareas biomédicas se han basado en flujos de trabajo o plantillas predefinidas, lo que limita su flexibilidad. En consecuencia, los investigadores han luchado por encontrar sistemas de IA que puedan adaptarse a diversas tareas biomédicas, componer dinámicamente nuevos flujos de trabajo o ejecutar análisis complejos de extremo a extremo.
Investigadores de la Universidad de Stanford, Genentech, el Instituto ARC, la Universidad de Washington, la Universidad de Princeton y la Universidad de California, San Francisco, presentó Biomniun agente de IA biomédica de uso general. Biomni combina un entorno biomédico fundamental, Biomni-e1con una arquitectura avanzada que ejecuta tareas, Biomni-A1. Biomni-E1 se construyó mediante decenas mineras de miles de publicaciones biomédicas en 25 subcampos, extrayendo 150 herramientas especializadas, 105 paquetes de software y 59 bases de datos, formando un espacio de acción biomédica unificada. BiOMNI-A1 selecciona dinámicamente herramientas, formula planes y ejecuta tareas generando y ejecutando código, permitiendo que el sistema se adapte a diversos problemas biomédicos. Esta integración del razonamiento, la ejecución basada en el código y la selección de recursos permite a BiOMNI realizar una amplia gama de tareas de forma autónoma, incluidos análisis bioinformáticos, generación de hipótesis y diseño de protocolo. A diferencia de los modelos estáticos de llamado de funciones, la arquitectura de BiOMNI le permite intercalar flexiblemente la ejecución de código, consulta de datos e invocación de herramientas, creando una tubería perfecta para flujos de trabajo biomédicos complejos.
BiOMNI-A1 utiliza un mecanismo de selección de herramientas basado en LLM para identificar recursos relevantes basados en los objetivos del usuario. Aplica el código como una interfaz universal para componer flujos de trabajo complejos con lógica de procedimiento, incluidos bucles, paralelización y pasos condicionales. Una estrategia de planificación adaptativa permite a Biomni refinar los planes iterativamente a medida que ejecuta tareas, asegurando el comportamiento del contexto y el comportamiento receptivo. El rendimiento de Biomni se ha evaluado rigurosamente a través de múltiples puntos de referencia. En el punto de referencia de Bench Lab, Biomni alcanzó una precisión del 74.4% en DBQA y 81.9% en SEQQA, superando a los expertos humanos (74.7% y 78.8%, respectivamente). En el punto de referencia HLE que cubre 14 subcampos, Biomni obtuvo un 17.3%, superando a los LLM base en un 402.3%, que codifican agentes en un 43.0%y su propia variante ablada en un 20.4%. Los estudios de casos del mundo real demostraron la capacidad de Biomni para generar autónomos de 10 pasos para analizar 458 archivos de sensores portátiles de forma autónoma, identificando un aumento de temperatura posprandial de 2.19 ° C entre individuos. También analizó 227 noches de datos de sueño, descubriendo ideas como los picos de mitad de semana en la eficiencia del sueño y la importancia de la regularidad circadiana durante la duración total del sueño.
La capacidad de Biomni para manejar preguntas de investigación del mundo real se extiende a análisis múltiples complejos de múltiples múltiples, donde procesó más de 336,000 perfiles de ARN-seq y ATAC-seq a partir de datos esqueléticos embrionarios humanos. BiOMNI construyó una tubería de análisis de 10 etapas para predecir los enlaces de genes de factor de transcripción-objetivo, filtrar los resultados utilizando datos de accesibilidad de cromatina y resumir los hallazgos en un informe estructurado. El agente manejó todos los aspectos del análisis, incluida la generación de códigos, la depuración de errores e interpretación de los resultados, la producción de salidas como gráficos de trayectoria, mapas de calor y biplotes PCA. Estas capacidades demuestran la capacidad de Biomni para administrar conjuntos de datos multimodales a gran escala, identificar patrones biológicos y acelerar la ruta de los datos sin procesar a hipótesis comprobables. Al ejecutar entre 6 y 24 pasos distintos por tarea, integrando hasta 4 herramientas especializadas, ocho paquetes de software y tres elementos únicos de Data Lake, Biomni refleja los flujos de trabajo de los científicos humanos al tiempo que reduce drásticamente el esfuerzo manual.
Varias conclusiones clave de la investigación sobre Biomni incluyen:
- Biomni-E1 comprende 150 herramientas especializadas, 105 paquetes de software y 59 bases de datos, todas las cuales están integradas para la investigación biomédica.
- Ganancia de rendimiento promedio de Biomni: 402.3% sobre Base LLM, 43.0% sobre agente de codificación y 20.4% sobre Biomni-React.
- Biomni ejecutó de forma autónoma una tubería de 10 pasos que analiza 458 archivos de sensores portátiles, revelando un aumento de temperatura posprandial promedio de 2.19 ° C.
- En el punto de referencia de Bench Lab, Biomni logró una precisión del 74.4% en DBQA y 81.9% en SEQQA, superando a los expertos humanos.
- BiOmni manejó un complejo conjunto de datos múltiples múltiples de 336,162 perfiles y generó resultados interpretables, incluidas las redes reguladoras de genes y los análisis de enriquecimiento de motivos.
- La ejecución promedio de la tarea implica 6-24 pasos, utilizando hasta 4 herramientas, ocho paquetes de software y 3 elementos del lago de datos.
- La arquitectura flexible de Biomni le permite generar gráficos PCA, mapas de calor, gráficos de trayectoria y mapas de clúster de forma autónoma, produciendo informes legibles por humanos sin intervención manual.
En conclusión, BiOmni representa un gran paso adelante en la IA biomédica, combinando razonamiento, ejecución de código e integración de recursos dinámicos en un solo sistema. Los investigadores han demostrado que puede generalizarse en todas las tareas, ejecutar flujos de trabajo complejos sin plantillas manuales y producir resultados que rivalizan o excedan la experiencia humana en varias áreas. La capacidad del sistema para manejar grandes conjuntos de datos, componer tuberías complejas y generar informes legibles por humanos sugiere que tiene el potencial de acelerar significativamente el descubrimiento biomédico, reducir la carga para los investigadores y permitir nuevas ideas.
Mira el Papel, Código y Pruébalo aquí. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro 95k+ ml de subreddit y suscribirse a Nuestro boletín.
Asif Razzaq es el CEO de MarktechPost Media Inc .. Como empresario e ingeniero visionario, ASIF se compromete a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, MarktechPost, que se destaca por su cobertura profunda de noticias de aprendizaje automático y de aprendizaje profundo que es técnicamente sólido y fácilmente comprensible por una audiencia amplia. La plataforma cuenta con más de 2 millones de vistas mensuales, ilustrando su popularidad entre el público.