研究仮説を生成し、AI同士の討論で順位を付け、上位の案を改良する研究支援AI「Co-Scientist」の処理構成が明らかになった。Google DeepMindは、文献やデータとの照合を反復に組み込み、研究者が検討する提案へまとめるとしている。
研究目標を分解し、文献から仮説を広げる
Google DeepMindが開発する研究支援AIのCo-Scientistは、AIモデルGeminiを基盤とする専門エージェントを組み合わせている。統括エージェントが研究者の目標を実行可能な手順へ分解し、複数の探索を並列に進めるよう調整する。
探索では、生成担当が科学文献とデータを基に仮説を提案する。生まれた仮説を近接性の分析担当が分類し、似た案のまとまりを整理することで、探索対象の多様性を確保する役割を担う。
批評と一対一の討論で候補に順位を付ける
生成された仮説は、批評担当による正確性、品質、新規性の評価を受ける。順位付け担当は仮説を一対一で比較し、模擬的な科学討論を使って有望な候補を優先する。
Google DeepMindによると、計算の大半は仮説の検証に割り当て、主張を科学文献やデータと照合する。Web検索に加え、専門データベースのChEMBLとUniProtからも知識を取り込み、評価に用いる情報を補う。
上位の仮説を組み合わせ、研究提案へ仕上げる
順位付けされた上位の仮説は、改良担当が修正したり組み合わせたりして発展させる。この処理を反復し、生成した案を批評と改良へ繰り返し回す。
総合評価担当は、討論と順位付けで得た知見を統合する。その知見を最終的な研究提案へまとめ、研究者が検討する段階へ渡す。
肝線維症の既存薬探索で実験につながった候補
仮説生成の利用例として、スタンフォード大学医学部のGary Peltzは、肝線維症の治療研究でCo-Scientistを利用した。Google DeepMindによると、この研究支援AIは見落とされていた既存薬の転用候補を挙げ、そのうち一つが実験室で線維化に関連する反応を91%抑制した。91%は実験室で評価した反応の抑制率を指す。