Краткий обзор
- Quine (открывается в новой вкладке) — это исследовательская инициатива по созданию мультимодальной модели мира биологии и интерактивной среды, объединяющей модели, научные инструменты, литературу и исследователей.
- В сотрудничестве с исследователями из Broad Institute of Harvard and MIT мы использовали эту систему для приоритизации соединений, которые, по прогнозам, должны вызывать терапевтические изменения состояния опухоли, и валидировали несколько ведущих кандидатов в ходе различных экспериментов в «мокрой» лаборатории.
- Программа Quine Fellows (открывается в новой вкладке) предоставит группе ученых доступ к системе, а также возможность ускорить собственные исследования и оставить научные отзывы.
- Quine — это экспериментальная исследовательская технология, предназначенная исключительно для научных исследований, а не для клинического или медицинского применения. Ее результаты могут быть неполными или неточными и требуют проверки квалифицированными исследователями, а также надлежащей научной и экспериментальной валидации. По мере развития технологии мы планируем расширить доступ к ней с помощью таких продуктов, как Microsoft Discovery (открывается в новой вкладке).
Уже более двух летних десятилетий подразделение Microsoft Research работает на стыке вычислительной техники и биологии. Наши исследования охватывали иммунологию, вирусологию, геномику, биомедицинскую визуализацию, клеточную биологию и бешковую инженерию. Эта работа принесла фундаментальные методы, новые научные достижения и технологии, нашедшие применение в клиниках — от диагностики редких и инфекционных заболеваний до обнаружения биомаркеров рака.
В ходе этой работы один вывод стал очевиден: биология не вписывается в те четкие рамки, которые часто устанавливают наши модели и инструменты. Гены влияют на белки; белки взаимодействуют внутри клеток; клетки организуются в ткани; а эксперименты постоянно меняют то, что ученые знают и о чем хотят спросить дальше. Поэтому для достижения прогресса в решении самых сложных биологических задач требуется нечто большее, чем просто все более мощные модели для отдельных наборов данных или задач. Необходимы системы, способные связывать знания между масштабами и модальностями, рассуждать об экспериментах и доказательствах, а также участвовать в итеративном процессе, за счет которого развивается наука.
Сегодня подразделение Microsoft Research представляет Quine (открывается в новой вкладке) — исследовательскую инициативу, призванную работать на стыке этих границ и отражающую наше долгосрочное видение системы открытий, которая развивается благодаря научному использованию. Quine объединяет модель мира биологии и среду, которая соединяет научные инструменты, литературу, «мокрую» лабораторию и работающих с ними исследователей.
Пределы экспериментирования
Даже несмотря на совершенствование экспериментальных методов и увеличение пропускной способности «мокрых» лабораторий, биология по-прежнему фундаментально ограничена временем и сложностью. Природу нельзя форсировать или вывести из базовых принципов. Эксперименты идут медленно, циклы итераций долгие, а многие из важнейших вопросов связаны с взаимодействиями, пространствами комбинаторного дизайна и отдаленными последствиями, которые просто слишком масштабны для изучения исключительно экспериментальным путем.
В то же время достижения в области крупномасштабного машинного обучения, особенно появление универсальных базовых моделей и моделей рассуждений, способных итеративно прорабатывать проблемы, открывают новые возможности. Эти системы начинают демонстрировать возможности, выходящие за рамки распознавания образов: интеграцию информации из разных доменов, рассуждение на основе абстракций и поддержку итеративного решения проблем. Что не менее важно, многие методы, разработанные для человеческого языка, оказались удивительно приспособленными к аспектам биологии, позволяя моделям изучать представления биологических систем в различных типах данных и масштабах.
Это поставило перед нами сложный вопрос: что потребуется для создания модели мира для биологии? Под моделью мира мы понимаем систему, которая может представлять состояние биологической системы, прогнозировать, как это состояние будет эволюционировать в ответ на воздействия, и рассуждать о последствиях этих воздействий на несколько шагов вперед. Такая система не заменит эксперименты. Скорее, она позволит нам использовать вычисления для исследования, предложения, ранжирования и приоритизации потенциальных путей движения вперед до того, как будут задействованы дефицитные лабораторные ресурсы. Наша главная цель — будущее, в котором ученые, модели и эксперименты функционируют в непрерывно ускоряющемся цикле.
Что мы создали
Quine — это наш первый шаг к воплощению этого видения. Система включает в себя как модель мира биологии, так и среду, которая соединяет модель с моделями оркестрации и рассуждений, научными средствами, литературой и группами ученых, использующих их.
Центральное место в этой работе занимает модель мира, которая изучает общие представления в различных биологических модальностях и масштабах, включая последовательность, структуру, функцию, клеточное состояние и данные визуализации. Обучая эти модальности совместно, Quine может использовать данные из одной модальности для формирования прогнозов в другой, фиксируя взаимосвязи, которые в противном случае остались бы изолированными или потерянными при оркестровке отдельных специализированных моделей для каждого домена системой. Этот мультимодальный дизайн отражает реальность биологии: понимание любого отдельного уровня требует контекста из других. Вместо снижения производительности мы обнаруживаем, что обучение на этих связанных представлениях усиливает ее, позволяя модели эффективнее обобщать данные и поддерживать более широкий спектр задач биологического рассуждения.
Интегрируя эту модель в единую систему, которая облегчает вычислительные эксперименты и обучается на основе итераций, исследователи могут создавать прогнозы в различных модальностях и рассуждать о последствиях биологических вмешательств до их проверки в лаборатории. Что критически важно, модель мира не обязана быть идеальной — более того, она никогда не сможет идеально смоделировать биологию, — ей просто необходимо полезно информировать процесс экспериментального проектирования.
Как это выглядит в биологии рака
Конкретный пример взят из нашей работы по изучению панкреатической протоковой аденокарциномы (PDAC), наиболее распространенной формы рака поджелудочной железы и одной из самых трудно поддающихся лечению. В сотрудничестве с исследователями из Broad Institute of MIT and Harvard мы потратили годы на разработку и применение полученных от пациентов эквиво-моделей для исследования давней гипотезы: поведение опухоли и реакция на лекарства зависят не только от генетики, но и от транскрипционного клеточного состояния. При PDAC раковые клетки могут находиться в различных клеточных состояниях, связанных с тем, как они реагируют на лечение.
С помощью Quine мы применили эту гипотезу на практике, исследуя, могут ли негенетические особенности рака, в частности клеточное состояние, служить эффективными терапевтическими мишенями. Мы использовали Quine для прогнозирования и ранжирования тысяч соединений на основе их потенциала переводить опухолевые клетки между терапевтически значимыми состояниями. В лабораторных исследованиях, посвященных переходу из классического в базальное клеточное состояние, соединения с самым высоким рейтингом по версии Quine продемонстрировали наибольшие запланированные сдвиги в ходе экспериментальных анализов. Весь процесс — от быстрого сужения пространства поиска соединений до приоритизации горстки перспективных кандидатов для валидации в лаборатории — занял всего один уик-энд, что потенциально сэкономило месяцы экспериментальной работы и значительные затраты на исследования. Примечательно, что некоторые из наиболее выраженных эффектов были получены от соединений с неожиданными механизмами действия, что дает первые свидетельства того, что ИИ может открывать новые возможности для перепрофилирования и открытия лекарств.
Хотя обратный переход состояний оказался более сложным (из базального в классическое клеточное состояние), Quine предсказал, что доступные соединения будут оказывать именно такой более слабый эффект. Более того, эксперименты выявили то, чего мы не до конца ожидали: Quine предсказал, что несколько соединений будут стабильно смещать клетки в сторону отдельного третьего фенотипа (наблюдение, подтвердившееся в лаборатории), что говорит о том, что ландшафт состояний клеток рака поджелудочной железы богаче, чем простая классическо-базальная ось. Эксперименты не только проверили гипотезы модели, но и породили новые.
Наша дальнейшая работа в этой области будет использовать недавно интегрированные наборы данных РНК и задачи для представления этого более богатого ландшафта, укрепления прогнозов переходов между состояниями и предоставления калиброванных оценок уверенности, которые помогают ученым расставлять приоритеты для наиболее перспективных гипотез при лабораторном тестировании. И это именно та обратная связь, для поддержки которой был создан Quine. Каждый раунд экспериментов улучшает наше понимание биологии, а каждое новое озарение может стать обучающим сигналом для следующего поколения системы.
Обучение через открытия — приглашение
Мы создали Quine, чтобы улучшить то, как мы сами занимаемся наукой. По мере развития системы мы встроили ее в наши текущие научные программы. Каждый исследовательский вопрос, каждый экспериментальный результат и каждая неожиданная находка стали возможностью усовершенствовать модели, улучшить рабочие процессы и лучше понять, где ИИ может существенно ускорить наши исследования. Со временем система стала центральным элементом нашего подхода к открытиям в различных областях, включая биологию рака, белковую инженерию, геномику и биовизуализацию.
Мы хотели бы продолжить строительство на этом фундаменте, представив Quine на столь раннем этапе. Quine вырос из наших собственных исследований, но мы не хотим, чтобы его дальнейшее развитие происходило изолированно. Многие из вопросов, которые определят его дальнейшее развитие, не могут быть решены нами в одиночку; они требуют опыта, креативности и перспектив более широкого научного сообщества. По этой причине мы открываем программу Quine Fellows, чтобы передать систему непосредственно в руки ученых, работающих на переднем крае биологии и медицины.
Ответственный подход к разработке всегда будет на первом месте. Мы верим, что прогресс в области ИИ и биологии должен идти рука об руку с безопасностью, защищенностью и ответственным управлением. Мы применяем взвешенный, поэтапный подход к разработке Quine и доступу к нему: на начальном этапе доступ ограничен программой Quine Fellows и избранными исследовательскими коллаборациями. Постоянный внутренний контроль и встроенные механизмы защиты помогут нам поддерживать надлежащий надзор по мере развития системы. По мере созревания технологии мы планируем расширить доступ с помощью таких продуктов, как Microsoft Discovery (opens in new tab).
Возникает искушение оценивать прогресс в области ИИ для биологии по бенчмаркам и таблицам лидеров. Они важны, но настоящая проверка для Quine — это то, что происходит, когда он сталкивается с наукой в ее реальном проявлении. Может ли он быть полезен при неполноте данных? При столкновении с вопросами, которые действительно никогда ранее не задавались? Может ли он помочь сократить путь от вопросов к открытиям?
В конечном счете, именно этот стандарт для нас важен. Наша цель заключается в том, чтобы Quine отошел на второй план научной практики, в то время как наука движется вперед быстрее. Главными героями являются не модель и не платформа. Главные герои — это ученые, эксперименты и следующие за ними открытия.
