一项由剑桥大学领导的新研究利用人工智能（AI）大型语言模型（LLM）GPT-4来发现新的药物组合，将通常不用于癌症治疗的药物重新用于潜在的乳腺癌治疗。
“我们已经见证了AI科学家和AI辅助研究人员的出现，这标志着科学研究方式的转变。”剑桥大学教授Ross King与合著者Abbi Abdel-Rehim、Hector Zenil、Oghenejokpeme Orhobor、Marie Fisher、Ross Collins、Elizabeth Bourne、Gareth Fearnley、Emma Tate、Holly Smith和Larisa Soldatova共同写道。
偶然发现与科学方法
历史上有很多科学发现和发明是偶然或偶然事件的结果，而不是通过科学方法实现的。然而，根据Alexander Krauss于2024年在《PNAS Nexus》上发表的一份报告，自1900年代以来，大多数重大科学发现都是通过科学方法完成的，占所有诺贝尔奖和重大科学发现的75%。
更有效的方法是科学方法，这是一种形成和评估科学假设的技术，对于科学理论的形成非常重要。科学方法的步骤包括观察、提出问题、形成假设作为问题的可能答案、基于假设进行预测、测试预测并根据需要迭代。
在这项新研究中，剑桥大学领导的研究团队要求通用LLM GPT-4不仅创建科学假设，还评估其有效性。人类研究人员在实验室测试中评估了药物组合及其个体疗效。
LLM如何生成科学假设
由于OpenAI的ChatGPT等流行的聊天机器人，生成式AI的强大功能已广为人知。不太为人所知的是，LLM有时会“幻觉”，产生看似合理但完全虚构或完全错误的结果。这种看似缺陷的功能实际上可能成为一种特征，尤其是在寻找新的药物发现方法以治疗癌症方面。
“尽管LLM在假设生成方面的潜力明显，但其在假设生成中的实用性尚未得到充分研究。”研究作者写道。
应用AI进行乳腺癌研究
女性乳腺癌是全球最常见的癌症之一，也是导致癌症死亡的主要原因之一，仅次于肺癌。几乎所有乳腺癌病例都影响女性，只有0.5-1%的乳腺癌发生在男性身上。
乳腺癌是一种乳房细胞异常生长失控的疾病。常见的乳腺癌类型包括导管原位癌（DCIS）、浸润性导管癌（IDC）、小叶乳腺癌，以及较为罕见的形式，如乳头Paget病、炎性乳腺癌（IBC）和三阴性乳腺癌（TNBC）。
乳腺癌亚型按受体细胞的状态分类。例如，雌激素受体阳性乳腺癌（ER+）或ER阳性（ER+），激素受体阴性或HR阴性（HR-），激素受体阳性或HR阳性（HR+），孕激素受体阳性或PR阳性（PR+），以及人表皮生长因子受体2阳性或HER2阳性（HER2+）。
“我们选择乳腺癌作为我们的测试领域，因为它在医学研究中的重要性、庞大的现有文献以及我们能够使用专门设备研究组织培养物作为实际患者肿瘤的代理。”科学家们分享道。
科学家们决定专注于MCF7乳腺癌细胞系，这是最常用和广泛研究的人类乳腺癌培养模型之一，自1973年以来已在约25,000篇科学出版物中使用。科学家们还选择了MCF10A人类乳腺上皮细胞系作为对照，这是一种常用的体外模型，用于研究正常乳腺细胞。
研究人员使用LLM GPT-4分析药物组合，提示ChatGPT-4识别新的、负担得起的协同药物组合，最好是美国食品药品监督管理局（FDA）批准的，这些组合对MCF7乳腺癌细胞系有显著影响，同时不会损害MCF10A正常乳腺细胞系，并且每对药物中至少有一种不是抗肿瘤药物。抗肿瘤药物是防止肿瘤生长和扩散的抗癌药物，可能会对生殖健康和孕妇产生有害副作用。NCI Seer*Rx数据库中有超过1,800种抗肿瘤药物和超过450种抗肿瘤方案。
“在第一轮实验室实验中，GPT-4成功发现了三种药物组合（共测试了12种），其协同评分高于阳性对照组。”研究人员报告说。
作为下一步，进行了第二轮实验，以查看如果提供第一轮的总结并增加提示，考虑阳性对照组的药物组合，GPT-4能否改进其假设。研究人员报告说，GPT-4创建了四种测试中的三种具有阳性协同评分的新组合。研究结果表明，LLM有能力创建新的科学假设。
“通过利用LLM中编码的大量知识，科学家可以探索人类研究人员可能错过或因偏见、疲劳或其他因素难以探索的假设空间区域。”科学家们总结道。
(全文结束)
