I Nature presenteras två system för artificiell intelligens (AI) som kan bistå i flera olika processer inom vetenskaplig forskning – såsom att formulera hypoteser, utforma experiment och analysera data.
Systemen, som utvecklats separat av Google DeepMind och FutureHouse, är utformade för att hjälpa forskare att påskynda vetenskapliga upptäckter, inte för att ersätta dem.
Varför AI-assistenter med flera agenter är viktiga
Vetenskapliga upptäckter drivs av upprepade processer där nya hypoteser formuleras, experimentella valideringar genomförs och data analyseras. Den ökande komplexiteten och överlappningen mellan vetenskapliga ämnen innebär att det krävs djup ämnesspecifik expertis, tillsammans med bredare kunskap över olika discipliner.
AI har visat sig påskynda enskilda steg i forskningsprocessen, men ett enda system skulle kunna effektivisera arbetsflödet. Två oberoende system – Co-Scientist från Google DeepMind och Robin från FutureHouse – visar potentialen hos sådana system att förbättra den vetenskapliga upptäcktsprocessen.
Båda AI-assistenterna är multiagent-system, som använder flera autonoma, specialiserade AI-agenter som kan utföra olika uppgifter under hela forskningsprocessen. Detta tillvägagångssätt gör det möjligt för systemen att generera hypoteser, föreslå experiment för att testa hypoteserna, tolka experimentresultaten och förfina hypoteserna på grundval av resultaten.
Hur Co-Scientist testas
Co-Scientist, byggt med Gemini, är ett allmännyttigt multiagent-system för vetenskapliga upptäckter. Det är utformat för att kunna användas inom olika vetenskapliga discipliner, även om de initiala valideringarna har fokuserat på biomedicin. Co-Scientist föreslog till exempel nya läkemedelskandidater och kombinationsterapier för akut myeloid leukemi, en aggressiv cancerform som drabbar de vita blodkropparna.
De föreslagna behandlingarna visade sig vara potentiellt fördelaktiga i cellinjeexperiment, även om rigorösa prekliniska och kliniska utvärderingar skulle krävas för terapeutisk validering, noterar författarna, Vivek Natarajan och kollegor. Utöver cancerforskningen upptäckte Co-Scientist också nya läkemedelsmål för leverfibros och avslöjade viktiga genetiska mekanismer bakom antibiotikaresistens.
Robins roll inom experimentell biologi
Robin, som använder både OpenAI o4-mini och Anthropic Claude 3.7, är utformat för att underlätta upptäckter inom experimentell biologi. Samuel Rodriques och kollegor tillämpar systemet på läkemedelsutvecklingsundersökningar. Robin underlättade till exempel identifieringen av potentiella behandlingar för torr åldersrelaterad makuladegeneration, en vanlig orsak till blindhet i den utvecklade världen.
Förslagen innefattade identifiering av en modifierbar process i näthinnecellerna att rikta in sig på samt förslag om användning av en läkemedelskandidat som inte tidigare föreslagits för behandling av detta tillstånd.
Robin föreslog också uppföljningsstudier för att undersöka underliggande mekanismer, vilket identifierade nya potentiella läkemedelsmål. Sådana behandlingar skulle kräva validering i prekliniska tester och kliniska prövningar, noterar författarna.
Att hålla forskarna informerade
Båda teamen betonar att dessa system är utformade för att samarbeta med forskare, och att en forskare alltid skulle hållas informerad. De praktiska demonstrationerna från båda grupperna ger exempel på hur framtiden för vetenskaplig forskning med AI-agenter kan se ut.
Publikationsuppgifter
Ali Essam Ghareeb et al, A multi-agent system for automating scientific discovery, Nature (2026). DOI: 10.1038/s41586-026-10652-y På arXiv DOI: 10.48550/arxiv.2505.13400
