Nel panorama della ricerca scientifica, l’innovazione nasce dalla combinazione di creatività, intuizione ed esperienza, supportata da una conoscenza approfondita della letteratura scientifica. Tuttavia, l’accelerazione nella produzione di pubblicazioni scientifiche e la necessità di integrare competenze provenienti da discipline diverse rendono sempre più complesso individuare nuove direzioni di ricerca.

La transdisciplinarità è stata cruciale per molte scoperte recenti, come dimostra il lavoro di Emmanuelle Charpentier e Jennifer Doudna, premiato con il Nobel per la Chimica nel 2020 per l’editing genetico con CRISPR e risultato dell’integrazione tra microbiologia, genetica e biologia molecolare.

Motivata dalla necessità di superare questi ostacoli sfruttando i progressi dell’intelligenza artificiale, Google ha sviluppato il sistema multi-agente AI co-scientist, basato su Gemini 2.0 e progettato per collaborare con gli scienziati replicando i principi del metodo scientifico. Oltre alla sintesi e analisi della letteratura, AI co-scientist formula ipotesi originali e propone strategie di ricerca basate su prove precedenti, adattandole agli obiettivi scientifici specifici.

AI co-scientist si distingue inoltre per la sua capacità di generare ipotesi di ricerca, schemi sperimentali e protocolli dettagliati, partendo da un obiettivo formulato in linguaggio naturale. Utilizza un sistema di agenti specializzati, tra cui Generation, Reflection, Ranking, Evolution, Proximity e Meta-review, che seguono un ciclo iterativo di auto-miglioramento. Il modello integra anche feedback automatico per perfezionare progressivamente le ipotesi, aumentando qualità e originalità.

Illustrazione dei diversi componenti nel sistema multi-agente di AI co-scientist e il paradigma di interazione tra il sistema e lo scienziato.

Illustrazione dei diversi componenti nel sistema multi-agente di AI co-scientist e il paradigma di interazione tra il sistema e lo scienziato.

L’architettura di AI co-scientist prevede un Supervisor agent che gestisce le richieste e distribuisce le attività agli agenti specializzati. Questo design garantisce scalabilità e ottimizzazione del calcolo computazionale, migliorando progressivamente il ragionamento scientifico verso l’obiettivo prefissato. Uno degli elementi chiave del sistema è l’uso del calcolo a test-time per potenziare il ragionamento scientifico.

La generazione di ipotesi si avvale di un meccanismo di auto-valutazione Elo, che misura la qualità delle ipotesi attraverso confronti e processi evolutivi. L’analisi ha dimostrato una correlazione positiva tra punteggi Elo più elevati e maggiore accuratezza nelle risposte scientifiche, confermando il valore del sistema nell’ambito della ricerca avanzata.

Un test con esperti di sette diverse discipline ha valutato la capacità di AI co-scientist nel formulare e migliorare ipotesi di ricerca su problemi complessi. I risultati hanno mostrato che il sistema supera altri modelli IA avanzati e persino alcuni approcci umani non assistiti, con altri esperti indipendenti che hanno evidenziato il potenziale di AI co-scientist nella generazione di ipotesi con elevata novità e impatto, confermando la coerenza tra le preferenze umane e il punteggio Elo.

ai co-scientist

Panoramica del sistema AI co-scientist. Agenti specializzati (riquadri rossi, con ruoli e logiche uniche); input e feedback dello scienziato (riquadri blu); flusso di informazioni del sistema (frecce grigio scuro); feedback tra agenti (frecce rosse all’interno della sezione agente).

Per testare l’applicabilità pratica delle ipotesi generate, AI co-scientist è stato utilizzato in esperimenti reali in tre ambiti biomedici:

  • Riproposta di farmaci per la leucemia mieloide acuta: AI co-scientist ha individuato nuovi farmaci già esistenti con potenziale terapeutico per questa patologia. Le predizioni sono state validate tramite modelli computazionali, feedback clinico ed esperimenti in vitro, dimostrando l’efficacia di alcuni composti nel ridurre la vitalità delle cellule tumorali a concentrazioni clinicamente rilevanti
  • Scoperta di nuovi target terapeutici per la fibrosi epatica: il sistema ha proposto bersagli epigenetici con attività antifibrotica, confermata su organoidi epatici umani. Questo studio, condotto in collaborazione con la Stanford University, evidenzia il potenziale di AI co-scientist nel migliorare la selezione delle ipotesi sperimentali
  • Meccanismi della resistenza antimicrobica: il sistema ha analizzato il trasferimento genico nei batteri, proponendo in modo indipendente un’ipotesi su come le isole cromosomiche inducibili da fagi interagiscano con le code fagiche per espandere il loro raggio d’azione. Questa ipotesi era già stata scoperta sperimentalmente dal gruppo di ricerca, dimostrando la capacità di AI co-scientist di replicare e confermare intuizioni scientifiche complesse

Nonostante il successo, il sistema presenta alcune limitazioni, tra cui la necessità di migliorare la revisione della letteratura, il controllo di factualità e l’integrazione con strumenti esterni. Ulteriori studi saranno inoltre necessari per affinare i metodi di auto-valutazione e ampliare le validazioni sperimentali con un maggior numero di esperti e ambiti disciplinari.

AI co-scientist rappresenta comunque un avanzamento significativo verso l’uso dell’IA per supportare la ricerca scientifica e la sua capacità di auto-miglioramento, abbinata al successo nei primi esperimenti, suggeriscono un potenziale concreto per affrontare le grandi sfide della scienza e della medicina.