May, 2024

生物探索代理：设计基因扰动实验的 AI 代理

PDF
TL;DRBioDiscoveryAgent 是一个基于大型语言模型的代理，通过利用其丰富的背景知识和推理能力，加速科学探索。它在设计基因干预实验中表现出色，能够在不需要训练机器学习模型或显式设计获取函数的情况下，利用其生物学知识独特地设计新的实验。与现有特定训练任务的贝叶斯优化基准相比，BioDiscoveryAgent 在检测所需表型方面平均提高了 18％。它还能准确预测基因组合来干扰实验设计，并具有搜索生物医学文献、执行代码以分析生物数据集，并请另一代理对其预测进行评估的功能。总之，BioDiscoveryAgent 代表了计算生物实验设计中可解释性的全新范例，具备增强科学家能力的潜力。
发现论文，激发创造
  • 通过人工智能代理赋予生物医学发现能力

    AI 科学家可以通过与实验平台相结合的协作代理，将机器学习工具与生物医学研究相结合，从而通过怀疑性学习和推理提升生物医学研究的能力。

    Apr, 2024

  • GeneAgent：基于领域数据库的基因集知识发现的自验证语言代理

    GeneAgent 是一种独特的语言机器人，具备自我验证功能，通过与生物数据库的交互和相关领域知识的利用，提高准确性和减少幻觉事件，在基于 1,106 个来自不同来源的基因集的基准测试中，GeneAgent 始终明显优于标准的 GPT-4，并经过详细的手动审核，证实其自我验证模块的有效性，可以产生更可靠的分析叙述，应用 GeneAgent 到来自小鼠 B2905 黑色素瘤细胞系的七个新基因集中，专家评估显示 GeneAgent 提供了基因功能的新见解，从而加速了知识发现。

    May, 2024

  • 通过缺省元观解释学习进行生物设计工程自动化

    提出了一种新颖的基于 $Meta_{Abd}$ 的自动生物设计工程框架，使学习机器能够同时优化模型并减少实验成本和数据注释的研究。

    May, 2021

  • ProtAgents: 基于大型语言模型的物理与机器学习结合的蛋白质发现

    基于大语言模型 (LLMs) 的 ProtAgents 平台引入多个具有不同能力的 AI 智能体，通过动态环境下的协同工作，致力于解决多目标的蛋白质设计与分析问题，展示了 LLMs 在材料领域中发挥的潜力，并为自主材料发现与设计开辟了新的途径。

    Jan, 2024

  • 转移学习贝叶斯优化在诊断测定中设计竞争 DNA 分子

    通过结合转移学习代理模型和贝叶斯优化，本文提出了一种实现工程生物分子装置的定制生物序列开发的设计实验工作流程，旨在减少实验数量并提高预测准确性。

    Feb, 2024

  • DiscoBAX: 基因组实验设计中最佳干预集的发现

    减少临床试验失败风险的实验设计方法，通过发现与遗传驱动的病理有关的基因，最大限度地改变目标表型，并且在基因组实验中探索多样性机制，从而优于现有的实验设计方法。

    Dec, 2023

  • DISCOVERYWORLD：开发和评估自动科学发现代理的虚拟环境

    开发和评估 AI 代理的端到端科学推理能力具有挑战性，本文介绍了 DISCOVERYWORLD，这是第一个用于开发和评估代理执行完整的新颖科学发现循环能力的虚拟环境，通过包含不同挑战任务，覆盖放射性同位素约会、火箭科学和蛋白质组学等多个主题，鼓励培养一般的发现技能而非特定任务的解决方案，提供了自动度量指标来评估性能，发现在 DISCOVERYWORLD 任务中，之前在其他环境中表现良好的强基线代理却遇到了困难，这表明 DISCOVERYWORLD 捕捉到了部分新颖的发现挑战，并可能加速代理的科学发现能力的发展和评估。

    Jun, 2024

  • 人类可理解的基因组尺度代谢网络主动学习

    合成生物学中，ILP-iML1515 是一种基于归纳逻辑编程的机器学习框架，通过逻辑推理和学习从实验样本中更新基因组规模代谢模型的新逻辑结构，以有效探索宿主细胞系统的假设空间并引导实验设计，从而降低学习基因功能的实验成本。

    Aug, 2023

  • CRISPR-GPT: 基因编辑实验自动设计的 LSTM 代理

    介绍了 CRISPR-GPT，一个加强了领域知识和外部工具的 LLM 代理，用于自动化和增强 CRISPR 基因编辑实验设计过程，并展示了其对非专业研究人员进行基因编辑实验的潜力和有效性，同时探讨了自动化基因编辑设计的伦理和法规问题。

    Apr, 2024

  • 走向生物设计工具的负责任治理

    生成式机器学习，生物设计工具，预测准确性，双重风险，监管提案。

    Nov, 2023