Ai2 在 Asta 平台发布 Theorizer 科研理论生成智能体并开源代码
Theorizer comes to Asta
Ai2 于 11 月 19 日在科研智能体平台 Asta 中上线 Theorizer,该智能体检索文献并为无法解释的观测提出候选理论,所有论断均链接到支持文献,代码同步开源;通过网页界面使用时 Ai2 在限额内承担 token 费用,也可在本地运行开源库自行付费。
原文通过癌症、神经科学和气候数据三个案例展示工具的实际用法,并明确其会漏检文献和误判原创性的局限,可帮助读者评估适用场景。

Providence Swedish Cancer Institute 胸部肿瘤临床与研究项目医学主任 Sid Devarakonda 博士研究肺癌为何发生、为何产生耐药。他的研究很大一部分是分析肿瘤的 DNA 和 RNA,以探究临床中观察到的现象。比如,患者对某种治疗出现了意料之外的反应,这就可以成为一个问题,到数据中去寻找答案。
Devarakonda 与我们 Asta 团队合作,开始测试 Theorizer——一个 AI 智能体,它把科学论文中的发现综合起来,为肿瘤不明原因生长这类观察提出解释。Devarakonda 审阅它给出的第一批理论时,认出了自己多年研究形成的想法。他回忆说,第二天他心想:“等等,这正是我的想法。而我花了 15 年才想到这一步。”
今天,我们在 Asta 中推出 Theorizer。Asta 是我们面向科学研究的 AI 智能体平台,同时我们开源了代码,研究者可以查看它如何生成理论,并把方法调整后用于自己的工作。通过 Asta 的网页界面使用,我们承担一定额度内的 token 费用;更愿意在自己的机器上运行的人,可以使用我们的开源库,按需支付 token 费用。
Theorizer 会把提出的每条解释与已发表研究中的证据关联起来,并说明这些解释可能适用于哪些情况。近一年来,科学家们一直在自己的研究中检验它提出的理论,帮助我们开发这个工具。
为了更详细地介绍 Theorizer,Ai2 将于太平洋时间 12 月 10 日(周四)上午 10 点为科学家举办一场网络研讨会。点此注册,了解 AI 如何借助 Theorizer 把研究发现连接成新理论,观看一个来自癌症研究的真实案例,并探讨 AI 要可靠地参与科学过程还需要哪些条件。
研究肺癌
Devarakonda 用 Theorizer 研究“驱动基因阴性”肺腺癌,这是肺癌中最常见的亚型。大多数肺腺癌带有若干种基因改变之一,这些改变会激活 RAS 通路——一条促进细胞生长的信号链。但在约 20% 到 30% 的病例中,即使做了全面测序,也找不到已知的驱动基因改变。为了弄清是什么让这些细胞不断增殖,Devarakonda 问 Theorizer:“这些肿瘤里发生了什么?”
Theorizer 会针对用户的问题检索研究文献,然后生成一个模板,规定从每篇论文中提取哪些内容。对于肺癌如何生长这类问题,模板可能包括:一项研究考察了哪些基因、研究者如何测量这些基因的活性,以及研究者改变这些基因后发生了什么。Theorizer 比较提取出的发现来生成理论,并把论点与背后的论文关联起来。研究者可以查看所引用的研究,评估某个理论得到的支持,以及这些研究考察的条件是否可比。该工具还会标出它认为属于新提出的论点,但检索可能漏掉更早的工作,模型也可能误判原创性;研究者仍需对照更广泛的文献核实某个论点。
经过多轮迭代,Theorizer 帮助 Devarakonda 提出了三种假说,解释肺腺癌肿瘤在没有已知驱动基因的情况下如何生长。第一种是某个未被检测到的基因改变激活了 RAS 信号通路;第二种是另一种机制让细胞不依赖 RAS 也能分裂;第三种是部分肿瘤获得了其他细胞类型的特征,不再表现出典型肺腺癌的行为。Theorizer 帮助他那个关于肿瘤不明原因生长的宽泛问题,转化为可以在分子数据中逐一检验的具体假说。

Devarakonda 和 Asta 团队用 AutoDiscovery 验证这些理论。这个工具能编写并运行代码,用数据集检验假说。Devarakonda 利用癌症基因组图谱(一个公开的肿瘤分子数据集合),比较有已知驱动基因和无已知驱动基因的癌症在基因改变、基因活性和蛋白质测量上的差异。他还分析了实验室培养的癌细胞数据,找出生长或存活所必需的基因。
AutoDiscovery 提出,DREAM 复合体的紊乱可能有助于解释这些肿瘤的生长。DREAM 复合体是一组通常抑制细胞分裂的蛋白质。Devarakonda 起初并没有关注这一机制。他与 Asta 团队合作,比较了 RAS 活性与该复合体通常调控的基因的开启强度。
利用实验室培养的癌细胞数据开展的后续工作,为 Devarakonda 的假说提供了初步支持:一些 RAS 活性较低的癌症可能依赖 CDK2,这是一种参与细胞分裂的蛋白质。如果这些细胞确实依赖 CDK2,那么阻断该蛋白或许能减缓或阻止其生长。
这些发现仍需实验验证,但 Devarakonda 的长期目标是找出可在临床试验中检验的思路。他把使用 Theorizer 这类工具比作穿钢铁侠的战衣:“战衣很棒,但里面还得有人,因为关键在于分配资源、理解正在做的事。”
研究脑细胞功能
Allen 研究所副研究员 Jérôme Lecoq 开发神经记录方法,用于研究小鼠的脑活动。他参与 OpenScope 项目,这是一个共享实验平台,研究人员通过它向 Allen 研究所提出神经科学研究方案,由研究所负责实施,所得数据集向全球研究人员公开共享。
Lecoq 在 VIP 中间神经元上评估了 Theorizer 的早期版本。VIP 中间神经元是抑制其他神经元活动的一类脑细胞,其目标包括通常抑制周围回路活动的抑制性细胞;抑制这些细胞,可以让附近的神经元反应更强。

Theorizer 返回了 50 个关于 VIP 中间神经元的候选理论,而 Lecoq 原本预计只有一两个。
Theorizer 提出的一种理论认为,VIP 中间神经元会根据动物当前关注的对象,帮助调节大脑对视觉输入的反应强度。这一核心观点此前已在文献中出现过,但 Theorizer 把计算工作与实验结果联系起来,其论述与 Lecoq 本人对这些细胞作用的看法一致。
其价值在于把不同线索的证据汇聚到一起,让 Lecoq 得到一个基于文献的解释,并能拿它对照自己对这类细胞的理解。
与 Lecoq 共同开发 Theorizer,让 Asta 团队能够依据神经科学的证据和标准来审查这个工具提出的理论。他要求实验测量结果便于查看,并且理论主张要保留实验开展时的条件。
“在生物学中提出一个理论时,你得极其小心地措辞,”Lecoq 说,“比如你会说,在这个情境下、在这种特定行为中,我们认为这是对的,但在其他行为中可能完全相反。”
秘鲁气候数据中的异常
在秘鲁的国际马铃薯中心(CIP),数据科学家兼统计专家 Piero Palacios 开发工具,帮助研究人员分析复杂数据集。CIP 的系统与数据管理官员 Henry Juarez 从事农业数据工作,并研究本土马铃薯品种的保护。
Palacios 和 Juarez 希望延长 PISCO 中的露点记录。PISCO 是一个利用气象站观测数据估算秘鲁各地气候状况的数据集。更长的记录可以为农业模型补上缺失的输入,包括用来估算作物需水量的模型。
PISCO 的露点记录止于 2016 年,而最低气温记录延续到 2020 年。Palacios 和 Juarez 利用重叠的历史数据估算缺失四年的露点,但一些重建值超过 35°C——对受影响地区来说,这样的日露点高得不合常理——而且集中在 11 月。

Palacios 和 Juarez 用 Theorizer 为 11 月异常偏高的露点生成可能的解释。其中一种解释是,随着亚马逊地区从干燥转为湿润,湿度上升。用他们的数据检验这一季节性解释后,研究区域被排除在外,但这促使 Palacios 和 Juarez 去调查原始气候记录是如何构建的。
“桌面上有一个具体、可证伪的机制,正是推动我们按与历史记录中气象站的距离来测量 11 月峰值的原因,”Palacios 和 Juarez 说,“在异常只是无法解释的时候,我们本来没有特别理由做这项分析,而正是这项分析得出了真正的答案。”
Palacios 和 Juarez 把这些不合常理的值追溯到原始数据集估算远离气象站地区状况的方式。我们的研究文献搜索工具 Asta Paper Finder 也找到了记录类似问题的已发表研究。Palacios 和 Juarez 正在寻找独立的气象站观测数据来验证他们的重建结果;源记录本身在 11 月的峰值仍是一个未解问题。
在这里,Theorizer 的贡献是给出了一种可检验的解释,引导研究者去做一项他们原本没想到的分析。尽管这个解释是错的,但检验它帮助他们追溯到了那些不合理数值的源头。

更多内容见 Palacios 与 Juarez 的论文:“秘鲁露点记录缺失的四年:一个 AI 假设错在哪里,以及为何这很重要”。
一个世纪的马铃薯多样性
Vilma Hualla 是 CIP 的数据管理专家,研究安第斯地区原生马铃薯品种的多样性。她和同事正在梳理秘鲁库斯科大区 Paucartambo 地区跨越一个世纪的历史记录和家庭调查。
Hualla 用 AutoDiscovery 比较了六个时期记录的品种。在大多数时期更替中,进入记录的品种多于消失的品种,但 1941–60 年到 1961–80 年的过渡是个例外:从记录中消失的品种多于首次出现的品种。
“我觉得这会让我们多想一想那个时期发生了什么,并去找更多资料来帮助我们描述它,分析它是否对其他所有时期都产生了影响,”Hualla 用西班牙语说道。
随后,Hualla 用 Theorizer 为记录品种的减少生成解释,借助相关文献,并审视哪些假设值得继续追、哪些应当放弃。在报告草稿中,Hualla 和同事把秘鲁 1969 年的土地改革以及随之转向商业化生产,列为原生品种减少的一个可能原因。他们也考虑历史资料来源的差异是否可能造成记录中品种的表面流失。
Theorizer 帮助 Hualla 从识别出一个模式,走向思考它的解释,在原因仍未明确的情况下为团队指明了进一步研究的方向。
Hualla 和同事的报告还描述了农民如何通过社区内部及社区之间的种子交换获得品种,并提醒说,保护项目如果忽视维系当地作物多样性的这些网络,可能会扰乱这些交换。
更多分析见该团队的白皮书:“殖民化、瓶颈与海拔:AI 在安第斯一个世纪原生马铃薯记录中的发现”。
在 Asta 中试用 Theorizer
在你最难的研究问题上试用 Theorizer:一个卡住你的问题、一个你还无法解释的结果、数据中一个意外的模式,或一个与文献相矛盾的发现。它会借助已发表的研究提出解释,并把其论断与支持性论文关联起来。
Theorizer 可能漏掉相关研究,也可能误判原创性。一个在它所分析的论文中显得新颖的理论,可能早已存在于其他文献中。研究者仍需审视证据,判断哪些想法值得检验。
我们想了解你在研究中卡住的问题,这些问题会指引我们下一步做什么。多位科学家告诉我们,他们最有力的证据存在于内部报告或其他无法发送给商业 AI 实验室的来源中。这也是我们开始发布面向特定科学任务的小型开放权重模型的原因之一,例如 AstaBrief,它能撰写带引用的报告,并且可以在你自己的服务器上运行。
不妨用你自己研究中的一个问题,在 Asta 里试试 Theorizer。浏览代码,了解并调整这些方法;或者阅读我们的技术论文,了解它的工作原理。
订阅以每月获取 Ai2 最新动态。
来源:Ai2 / Allen Institute for AI · allenai.org