Onderzoekers hebben MechAInistic ontwikkeld, een multi-agent systeem op basis van grote taalmodellen (LLM's), om de drempel voor het analyseren van genoombrede metabolische modellen te verlagen. Het systeem stelt wetenschappers in staat om complexe biologische vragen in natuurlijke taal te stellen, die vervolgens worden omgezet in uitvoerbare workflows voor therapeutische hypothesegeneratie.
Het bestuderen van de mechanische basis van cellulaire toestanden en ziekten gebeurt vaak via constraint-based metabolic modeling. Hoewel deze methode krachtig is, vereist het in de praktijk aanzienlijke computationele expertise en een nauwkeurige coördinatie van analyses die uit meerdere stappen bestaan. Om deze barrière weg te nemen, is MechAInistic ontwikkeld, zoals beschreven in een publicatie op arxiv.org.
Architectuur en werking
MechAInistic maakt gebruik van een specifiek ontwerp dat bekend staat als het 'Architect-Reviewer'-patroon. In dit systeem worden grote taalmodellen ingezet om een vraag in natuurlijke taal te transformeren naar een gestructureerde, model-gebaseerde workflow. Deze workflow is vervolgens uitvoerbaar en resulteert in een gedetailleerd rapport.
Het systeem is breed inzetbaar voor diverse biologische taken. Volgens de documentatie op ondersteunt de software onder andere:
* Het vergelijken van verschillende metabole paden.
* Het uitvoeren van perturbatieanalyses.
* Het verkennen van potentiële drug-targets.
* Het interpreteren van resultaten op basis van bestaande wetenschappelijke literatuur over gepaarde metabolische modeltoestanden.
Toepassingen in de immuunbiologie
Om de effectiviteit van MechAInistic te testen, hebben de auteurs het systeem toegepast op twee specifieke casussen met immuuncellen. Deze tests waren gericht op het genereren van hypothesen voor nieuwe therapeutische behandelingen.
In de eerste casus werden naïeve B-cellen van patiënten met reumatoïde artritis (RA) vergeleken met gezonde controles. De analyse door MechAInistic leidde tot de identificatie van een herstructurering van het mitochondriale metabolisme. Op basis hiervan stelde het systeem een onderzoekshypothese voor waarbij de focus lag op OGDH, met Devimistat (CPI-613) als potentieel middel, zoals vermeld in de .
In een tweede studie richtte het systeem zich op CD4+ Th17-cellen bij patiënten met multiple sclerose (MS), wederom in vergelijking met gezonde controles. Hier identificeerde de workflow NADP-afhankelijk isocitraatdehydrogenase als het optimale enkelvoudige doelwit. Het systeem suggereerde vervolgens ivosidenib, een reeds door de FDA goedgekeurd medicijn, als kandidaat voor hergebruik (repurposing), volgens de .
Wetenschappelijke impact
De resultaten tonen aan dat de integratie van LLM's in metabolische modellering kan leiden tot traceerbare en reproduceerbare hypothesen. Door de complexiteit van de computationele stappen te automatiseren via een multi-agent systeem, kunnen biologen sneller inzichten verkrijgen zonder dat zij diepgaande programmeerkennis van elk specifiek model hoeven te bezitten.
Het volledige onderzoek, dat bestaat uit 23 pagina's en zes figuren, is ingediend onder de categorieën Quantitative Biology en Artificial Intelligence op het platform . De auteurs, waaronder Josh Loecker en Ahmed Abdeen Hamed, benadrukken dat de kracht van MechAInistic ligt in de conversie van natuurlijke taal naar een model-gebaseerde workflow die direct kan worden toegepast in medisch onderzoek.