I jakten på vitenskapelige gjennombrudd kombinerer forskere kreativitet og ekspertise med litterær innsikt for å utvikle innovative forskningsveier og veilede utforskninger. Imidlertid utgjør det en utfordring å navigere den raske økningen i vitenskapelige publikasjoner samtidig som man integrerer kunnskap fra ulike felt. Å adressere dette problemet er essensielt, som sett i moderne oppdagelser fra tverrfaglige innsatsområder, som Nobelprisen i kjemi i 2020 tildelt Emmanuelle Charpentier og Jennifer Doudna for deres CRISPR-innovasjon, som integrerte kunnskap innen mikrobiologi, genetikk og molekylærbiologi. For å imøtekomme de uoppfylte behovene innen vitenskapelig oppdagelse og utnytte fremskritt innen AI, utviklet vi et AI-koforsker-system. Denne multi-agent AI-en, bygget på Gemini 2. 0, fungerer som et samarbeidsverktøy for forskere, og forbedrer resonneringsprosessen i den vitenskapelige metoden. AI-koforskeren går utover standard litteraturgjennomganger; den har som mål å generere original kunnskap og formulere unike forskningshypoteser tilpasset spesifikke mål. AI-koforskeren benytter test-tid databehandling for å finjustere sitt resultat iterativt.

Nøkkelprosessene inkluderer selvspillbaserte vitenskapelige debatter for hypotese-generering, rangeringsturneringer for hypotesevurdering og en "evolusjon"-strategi for kvalitetsforbedring. For å sikre effektivitet brukte vi Elo auto-evalueringsmetrikken fra disse turneringene, og oppdaget at høyere Elo-rangeringer korrelerer med større nøyaktighet i resultatene. I arbeidet med å omforme legemidler for akutt myeloid leukemi (AML) foreslo vår AI-koforsker nye omformeringskandidater, validert gjennom beregningsbiologi, ekspertinnspill og laboratorietester. I tillegg utforsket vi hypoteser knyttet til antimikrobiell resistens (AMR) ved å instruere AI-en til å undersøke mekanismer for bakteriell genoverføring. AI-en foreslo uavhengig at kapsiddannende fage-induserbare kromosomøyer (cf-PICIs) interagerer med fage haler for å utvide vertsområdet, en oppdagelse som senere ble validert gjennom tidligere eksperimenter. Dette arbeidet er et samarbeid mellom ulike team ved Google Research, Google DeepMind og Google Cloud AI, sammen med partnere fra flere institusjoner, inkludert Fleming-initiativet og Imperial College London. Vi retter vår takk til alle bidragsytere og eksperter som har gitt viktig tilbakemelding, samt våre interne team hvis støtte var avgjørende for denne innsatsen.